robbyant/lingbot-video-moe-30b-a3b
Modelo de modelo · 30 B de parâmetros · MoE — 317 downloads e 66 curtidas no Hugging Face.
O modelo robbyant/lingbot-video-moe-30b-a3b aparece entre os mais comentados do Hugging Face — um termômetro do que a comunidade está realmente usando agora na tarefa de modelo.
Ficha técnica
- Tarefa: modelo
- Parâmetros: 30 B (arquitetura MoE)
- Biblioteca:
diffusers - Formatos: safetensors
- Licença: Apache 2.0
- Downloads: 317 · Curtidas: 66
Hardware recomendado
Estimativa de VRAM só para carregar os pesos (com ~20% de folga para ativações). Contextos longos consomem memória adicional para o cache de atenção (KV cache).
- Precisão original (16-bit): ~72 GB de VRAM — 1 GPU de data center (80 GB, ex. A100/H100)
- Quantizado 8-bit: ~36 GB de VRAM — 1 GPU profissional (48 GB, ex. A6000) ou 2× 24 GB
- Quantizado 4-bit: ~18 GB de VRAM — 1 GPU high-end (24 GB, ex. RTX 3090/4090)
Por ser um modelo MoE (mixture-of-experts), todos os pesos precisam caber na memória, mas só uma fração é ativada por token — a inferência roda mais rápido do que o tamanho total sugere.
Como rodar localmente
Use a biblioteca diffusers para gerar imagens:
pip install -U diffusers transformers accelerate torch
from diffusers import DiffusionPipeline
import torch
pipe = DiffusionPipeline.from_pretrained(
"robbyant/lingbot-video-moe-30b-a3b", torch_dtype=torch.float16
).to("cuda")
image = pipe("um gato astronauta, cinematográfico").images[0]
image.save("saida.png")Tags
diffusers safetensors diffusers:LingBotVideoPipeline
Leia também
GPT-Live-1: a OpenAI aposenta o walkie-talkie e faz a voz ouvir e falar ao mesmo tempo
LingBot-VLA 2.0: a Ant abre um "cérebro" de 6B treinado em 60 mil horas de robôs reais
UniClawBench: no mundo real, nenhum agente de IA passa da metade das tarefas
