sensenova/SenseNova-U1.5-8B-MoT-Preview
Modelo de multimodal · 8 B de parâmetros — 121 downloads e 53 curtidas no Hugging Face.
Hugging Face · Modelos
·sensenova
·
·↓ 121
·♥ 53
O modelo sensenova/SenseNova-U1.5-8B-MoT-Preview aparece entre os mais comentados do Hugging Face — um termômetro do que a comunidade está realmente usando agora na tarefa de multimodal.
Ficha técnica
- Tarefa: multimodal
- Parâmetros: 8 B
- Biblioteca:
transformers - Formatos: safetensors
- Downloads: 121 · Curtidas: 53
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): ~19 GB de VRAM — 1 GPU high-end (24 GB, ex. RTX 3090/4090)
- Quantizado 8-bit: ~9.6 GB de VRAM — 1 GPU de consumo (12 GB, ex. RTX 3060/4070)
- Quantizado 4-bit: ~4.8 GB de VRAM — 1 GPU de consumo (≥ 8 GB, ex. RTX 3060)
Como rodar localmente
Carregue com a transformers usando o template de chat:
pip install -U transformers accelerate torch
from transformers import AutoModelForCausalLM, AutoTokenizer
model_id = "sensenova/SenseNova-U1.5-8B-MoT-Preview"
tok = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
model_id, torch_dtype="auto", device_map="auto"
)
msgs = [{"role": "user", "content": "Explique o que é entropia."}]
inputs = tok.apply_chat_template(
msgs, add_generation_prompt=True, return_tensors="pt"
).to(model.device)
out = model.generate(inputs, max_new_tokens=256)
print(tok.decode(out[0][inputs.shape[-1]:], skip_special_tokens=True))Para servir como API (recomendado para modelos grandes), use o vLLM:
pip install vllm
vllm serve sensenova/SenseNova-U1.5-8B-MoT-PreviewTags
transformers safetensors neo_chat feature-extraction multimodal vision-language text-to-image image-editing
// relacionados
Leia também
Modelo
ethanfel/Qwen3-VL-32B-Ultra-Heretic-MiniMax-H3-ComfyUI-INT8-ConvRot
Editorial
MiniMax H3: um modelo só para texto, imagem, vídeo e áudio — por um terço do preço
Blog
AquaJEPA: Action-Conditioned Multimodal Predictive Representations for Underwater Robot Dynamics
Blog