01Ce qu'il sait faire
Points forts
- Inférence O(1) par token (mémoire constante)
- Pas de limite de contexte pratique
- Apache 2.0
Limites à connaître
- —Moins bon que les Transformers en in-context learning
- —Pas de vision
- —Contexte 8k
Architecture
Architecture Mamba (SSM) · 7B · sans Transformer · inférence O(1)
Entraînement
TII UAE — corpus 5.5T tokens. Architecture State Space Model pure.
Idéal pour
Inférence linéaireLong stream
02Mémoire requise
VRAM GPU approximative pour faire tourner ce modèle, overhead contexte de 4k tokens inclus. Pour un contexte plus long, ajoutez ~1 Go par tranche de 8k tokens.
Q4_K_M
Le plus léger, ~5% de perte
5 Go
Q5_K_M
Bon compromis qualité/taille
6 Go
Q8_0
Quasi-indistinguable de FP16
9 Go
FP16
Pleine précision — usage serveur
14 Go
Fallback CPU · Si vous n'avez pas de GPU, comptez 8 Go de RAM minimum pour faire tourner ce modèle à vitesse réduite.
03Vitesse attendue
Tokens générés par seconde en Q4_K_M, contexte 4k. Au-delà de 20 t/s, la lecture est confortable. En dessous de 10 t/s, c'est juste pour tester.
04Benchmarks publics
Scores reproduits depuis les model cards ou MMLU-Pro / communautaires. Unité : % bonnes réponses.
MMLU
62
05Installer
Le chemin le plus court : Ollama. Une commande, le modèle est téléchargé et lancé.
$ollama run falcon-mamba:7b
LM Studio
Interface graphique, zéro CLI
→ Voir le guide
llama.cpp
Perf brute, build from source
→ Voir le guide
vLLM
Serveur OpenAI-compatible prod
→ Voir le guide
Jan / GPT4All
Apps desktop tout-en-un
→ Voir le guide
⚠
Premier téléchargement : entre 2 et 40 Go selon la quantization choisie. Espace disque à prévoir, connexion stable recommandée. Les relances suivantes sont instantanées.