LLM Restricted

Falcon 180B

180B параметров · Transformer · Контекст 2k · TII · 2023

Запустить на GPU HuggingFace →

VRAM по точности

Точность VRAM Качество Рекомендация
FP16 360 ГБ Максимальное Для продакшена
FP8 180 ГБ Отличное Оптимально
INT8 180 ГБ Хорошее
INT4/Q4 90 ГБ Приемлемое Для экспериментов

Совместимые GPU

GPU VRAM Поддерживает
Рек. NVIDIA H100 SXM
80 ГБ FP16, FP8, INT8, INT4 Арендовать
NVIDIA H200 SXM
141 ГБ FP16, FP8, INT8, INT4 Арендовать

Рекомендуемые фреймворки

vLLM TGI

Быстрый старт

vllm 
docker run --gpus all -p 8000:8000 vllm/vllm-openai:latest \
  --model falcon-180B-chat \
  --quantization fp8

Характеристики модели

Технические параметры

Разработчик
TII
Год выпуска
2023
Параметры
180B
Архитектура
Transformer
Контекстное окно
2,048 токенов
Лицензия
Restricted

Применение

Instruction following Text generation Research

Falcon 180B — исторический «тяжеловес» от TII: на момент релиза это был один из самых обсуждаемых открытых dense-LLM, поднимавший планку качества на публичных лидербордах и задавая тон дискуссиям про доступность больших моделей. Сегодня её чаще вспоминают как референс эпохи, но для исследований, сравнения методов и legacy-пайплайнов она всё ещё может быть полезна — при условии, что вы готовы к очень дорогому inference. Лицензия Restricted: перед коммерческим использованием обязательно прочитайте условия на странице модели.

Чат-вариант: tiiuae/falcon-180B-chat; исходное окно контекста 2048 токенов (для длинных документов это принципиальное ограничение архитектуры деплоя).

Запуск на cloudcompute.ru

Шаг 1 — Арендуйте GPU

Для Falcon 180B в fp16 нужен кластер H100 / H200 (как правило, много карт с высокоскоростным линком). Перейдите в каталог GPU и арендуйте конфигурацию с суммарным VRAM с большим запасом.

Шаг 2 — Запустите vLLM

docker run --gpus all -p 8000:8000 vllm/vllm-openai:latest \
  --model tiiuae/falcon-180B-chat \
  --dtype auto \
  --max-model-len 2048 \
  --tensor-parallel-size 8

Точное число GPU подберите под доступные 80GB/96GB карты; tensor-parallel-size должен совпадать с количеством используемых GPU в этом запуске.

Шаг 3 — Отправьте запрос

curl http://localhost:8000/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "tiiuae/falcon-180B-chat",
    "messages": [{"role": "user", "content": "Привет! Расскажи о себе."}]
  }'

Оптимизация

  • Из-за короткого контекста RAG лучше строить на агрессивном chunking и ранжировании фрагментов, а не на «впихнуть всё в prompt».
  • На больших TP-топологиях критичны NCCL/транспорт и стабильность драйвера — любые рестарты дорого стоят.
  • Если цель — скорее качество, чем историческая точность, часто рациональнее сравнить Falcon с современными 70B+/MoE на ваших задачах и замерить price/quality.