LLM Apache-2.0

OLMo 2 13B

13B параметров · Transformer · Контекст 4k · Allen AI · 2024

Запустить на GPU HuggingFace →

VRAM по точности

Точность VRAM Качество Рекомендация
FP16 26 ГБ Максимальное Для продакшена
FP8 13 ГБ Отличное Оптимально
INT8 13 ГБ Хорошее
INT4/Q4 7 ГБ Приемлемое Для экспериментов

Совместимые GPU

GPU VRAM Поддерживает
Рек. NVIDIA RTX 4090
24 ГБ FP16, FP8, INT8, INT4 Арендовать
NVIDIA A100
80 ГБ FP16, FP8, INT8, INT4 Арендовать
NVIDIA H100 SXM
80 ГБ FP16, FP8, INT8, INT4 Арендовать

Рекомендуемые фреймворки

vLLM Ollama llama.cpp

Быстрый старт

vllm 
docker run --gpus all -p 8000:8000 vllm/vllm-openai:latest \
  --model OLMo-2-1124-13B-Instruct \
  --quantization fp8

Характеристики модели

Технические параметры

Разработчик
Allen AI
Год выпуска
2024
Параметры
13B
Архитектура
Transformer
Контекстное окно
4,096 токенов
Лицензия
Apache-2.0

Применение

Research Instruction following Academic tasks Text analysis

OLMo 2 13B — не просто веса, а заявленная философия Allen AI: максимальная воспроизводимость исследований (данные, код, чекпоинты) для того, чтобы академические и индустриальные команды могли честно сравнивать методы, а не гадать по чёрному ящику. В продуктовом смысле это сильный универсальный instruct в классе 13B, но главная ценность — прозрачность пайплайна и возможность дообучения/абляций на опубликованных артефактах. Apache-2.0 делает модель удобной для экспериментов без лицензионного тумана.

Instruct: allenai/OLMo-2-1124-13B-Instruct; контекст 4096 токенов.

Запуск на cloudcompute.ru

Шаг 1 — Арендуйте GPU

Для OLMo 2 13B в fp16 рекомендуем RTX 4090 или A100 / H100. Перейдите в каталог GPU и арендуйте инстанс.

Шаг 2 — Запустите vLLM

docker run --gpus all -p 8000:8000 vllm/vllm-openai:latest \
  --model allenai/OLMo-2-1124-13B-Instruct \
  --dtype auto \
  --max-model-len 4096

Альтернативно, для быстрого старта используйте Ollama:

ollama run olmo2:13b

Шаг 3 — Отправьте запрос

curl http://localhost:8000/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "allenai/OLMo-2-1124-13B-Instruct",
    "messages": [{"role": "user", "content": "Привет! Расскажи о себе."}]
  }'

Оптимизация

  • 4k контекст подталкивает к качественному chunking в RAG — заранее продумайте стратегию перекрытия чанков и метаданные.
  • Для исследований фиксируйте seed/версии зависимостей: воспроизводимость — часть ценности OLMo.
  • Если сравниваете с коммерческими моделями, нормализуйте prompt и метрики — иначе выводы будут шумными.