MODELOS ABERTOS / Modelos de linguagem (LLM)
Execute llama2-13b-chat-hf em uma GPU na nuvem
llama2-13b-chat-hf é um modelo de Modelos de linguagem (LLM) da Featherless-Chat-Models. Veja quanta memória de GPU ele precisa, em quais GPUs cabe hoje e quanto custa executá-lo você mesmo, com cobrança por segundo.
GPUs em que cabe hoje
Nossa estimativa é de cerca de 33 GB para inferência com pesos F16, incluindo a memória de trabalho. O uso real depende da resolução, do tamanho do lote e do comprimento do contexto. Com quantização de 4 bits ele precisa de cerca de 11 GB.
| GPU | Memória | Por hora | 10 horas | |
|---|---|---|---|---|
| CMP 170HX | 64 GB | $0.62 | $6.20 | Alugar |
| A100 SXM4 | 80 GB | $0.67 | $6.70 | Alugar |
| RTX A6000 | 48 GB | $0.72 | $7.20 | Alugar |
| A40 | 45 GB | $0.84 | $8.40 | Alugar |
| RTX 5880Ada | 48 GB | $0.92 | $9.20 | Alugar |
Preços iniciais ao vivo do nosso catálogo. Você paga por segundo enquanto a máquina roda.
Como executar llama2-13b-chat-hf
- 01
Alugue uma GPU
Escolha uma das GPUs acima. A cobrança é por segundo; pare a máquina e a cobrança para.
- 02
Abra um terminal ou o Jupyter
Conecte-se por SSH ou abra o Jupyter no navegador. PyTorch e CUDA já estão prontos.
- 03
Baixe e execute o modelo
Execute os comandos abaixo. Os pesos são baixados direto do Hugging Face para a sua máquina.
pip install -U vllm
vllm serve Featherless-Chat-Models/llama2-13b-chat-hf --host 0.0.0.0 --port 8000Por que executar você mesmo?
Seu próprio servidor de LLM não tem cobrança por token nem limite de requisições, e seus dados ficam privados. Escolha a GPU pela memória e sirva o modelo com vLLM.
Perguntas
- Quanta memória de GPU o llama2-13b-chat-hf precisa?
- Pela nossa estimativa, cerca de 33 GB para inferência (13B parâmetros). Resolução maior, contexto mais longo ou lotes maiores precisam de mais.
- Quanto custa executar o llama2-13b-chat-hf?
- A partir de $0.62 por hora em CMP 170HX, com cobrança por segundo. Dez horas custam cerca de $6.20.
- Preciso de uma assinatura?
- Não. Você paga só pelo tempo em que a máquina roda, usando seu saldo em USD. Pare-a quando terminar.
Experimente na sua própria GPU em minutos
Escolha uma GPU, abra o Jupyter ou o SSH e execute qualquer modelo aberto. Você paga por segundo e pode parar quando quiser; sem assinatura nem taxa de ativação.
- Cobrança por segundo em USD
- PyTorch e CUDA prontos em minutos
- Alugue também pelo ChatGPT ou Claude