MODELOS ABERTOS / Modelos de linguagem (LLM)
Execute MiMo-V2-Flash em uma GPU na nuvem
MiMo-V2-Flash é um modelo de Modelos de linguagem (LLM) da XiaomiMiMo. 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 373 GB para inferência com pesos F8_E4M3, 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 225 GB.
| GPU | Memória | Por hora | 10 horas | |
|---|---|---|---|---|
| 4× RTX PRO 6000 Max-Q | 384 GB | $6.88 | $68.80 | Alugar |
| 8× L40S | 384 GB | $8.24 | $82.40 | Alugar |
| 8× RTX PRO 5000 | 384 GB | $8.56 | $85.60 | Alugar |
| 4× RTX PRO 6000 WS | 384 GB | $9.28 | $92.80 | Alugar |
| 4× RTX PRO 6000 S | 384 GB | $9.72 | $97.20 | Alugar |
Preços iniciais ao vivo do nosso catálogo. Você paga por segundo enquanto a máquina roda.
Como executar MiMo-V2-Flash
- 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 XiaomiMiMo/MiMo-V2-Flash --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 MiMo-V2-Flash precisa?
- Pela nossa estimativa, cerca de 373 GB para inferência (310B parâmetros). Resolução maior, contexto mais longo ou lotes maiores precisam de mais.
- Quanto custa executar o MiMo-V2-Flash?
- A partir de $6.88 por hora em 4× RTX PRO 6000 Max-Q, com cobrança por segundo. Dez horas custam cerca de $68.80.
- 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