Ihre Privatsphäre ist uns wichtig

Wir verwenden Cookies, um Ihr Surferlebnis zu verbessern, Inhalte zu personalisieren und unseren Datenverkehr zu analysieren. Mit einem Klick auf „Alle akzeptieren“ stimmen Sie der Verwendung von Cookies zu. Cookie-Richtlinie

Weitere Optionen
Zum Inhalt springen
FacthoryFacthory
FacthoryFacthory
    • Arbeitsbereich
    • Agent
    • Wissen
    • Analysen
    • Office-Apps
    • Desktop
    Alle Funktionen
    Neuigkeiten
    Herunterladen
  • Nach Aufgabe

    • Wissensrisiko & Wissenslücken im Unternehmen
    • Wissenschaftliche Forschung & Experimente
    • Autonome Analytik & Erkenntnisgewinnung
    • Einsatzbereitschaft der Belegschaft & adaptives Lernen
    • SOP-Governance & betriebliche Standardisierung
    • Prozesserkennung und kontinuierliche Optimierung
    • Alle Lösungen

    Nach Branche

    • Fertigung
    • Automobil
    • Bau & Infrastruktur
    • Immobilien
    • Öffentlicher Sektor
    • Life Sciences
    • Alle Branchen
  • Facthory für

    • Regulierte Branchen
    • On-Premises
    • Entwickler

    Entdecken

    • Neuigkeiten
    • Blog
    • Fallstudien
    • Webinare
    • Modelle

    Lernen

    • Dokumentation
    • Hilfecenter
  • Preise
  • Download
AnmeldenJetzt starten

Ein Arbeitsbereich für das, was Ihre Organisation weiß, mit einem Agenten, der damit arbeitet.

Produkt

  • Alle Funktionen
  • Arbeitsbereich
  • Agent
  • Wissen
  • Analysen
  • Office-Apps
  • Desktop
  • Herunterladen
  • Preise

Lösungen

  • Wissensrisiko & Wissenslücken im Unternehmen
  • Wissenschaftliche Forschung & Experimente
  • Autonome Analytik & Erkenntnisgewinnung
  • Einsatzbereitschaft der Belegschaft & adaptives Lernen
  • SOP-Governance & betriebliche Standardisierung
  • Prozesserkennung und kontinuierliche Optimierung
  • Alle Lösungen
  • Alle Branchen

Ressourcen

  • Blog
  • Fallstudien
  • Webinare
  • Dokumentation
  • Hilfecenter
  • Modelle
  • ROI-Rechner

Unternehmen

  • Über uns
  • Karriere
  • Presse
  • Markenkit
  • Philosophie
  • Kontakt

Unser Newsletter

Neuigkeiten zu Facthory per E-Mail.

​

© 2026 Facthory. Alle Rechte vorbehalten.
  • Datenschutz
  • Cookie-Richtlinie
  • Allgemeine Geschäftsbedingungen
  • Impressum
  • Cookie-Einstellungen
Alle Modelletiiuae

falcon-mamba-7b

text-generation
7,3 Mrd. Parameter
other
Keine Datei markiert

Falcon-Mamba-7B ist ein kausales, nur-Decoder-Modell, das von TII entwickelt wurde und hauptsächlich auf englischen Daten aus Refined-Web und FineWeb-Edu trainiert wurde, um lange Kontextlängen zu verarbeiten.

Auf Hugging Face ansehenMit anderen Modellen vergleichen

Steckbrief

Parameter

7,3 Mrd.

Kontextlänge

nicht veröffentlicht

Architektur

FalconMambaForCausalLM

Aufbau

nicht veröffentlicht

Gewichte gespeichert als

bfloat16

Aufgabe

text-generation

Sprachen

en

Basiert auf

–

Veröffentlicht

17.07.2024

Zuletzt aktualisiert

17.12.2024

Downloads (letzte 30 Tage)

4.900

Lizenz und Zugang

Lizenz

other (falcon-mamba-7b-license) · Lizenz lesen

Zugang

Gewichte ohne Freigabe herunterladbar

Sicherheit

Sicherheitsscan von Hugging Face

Keine Datei markiert

Gewichtsdateien nach Format

Safetensors: 3
Pickle-basiert: 0
GGUF: 0
Andere Formate: 0
Pickle-basierte Dateien (.bin, .pt, .pth, .pkl, .ckpt) können beim Laden Code ausführen; Safetensors-Dateien nicht.

Prüfungen von Facthory

Automatisch
Erfüllt
Sichere Gewichtsformate

Alle Gewichtsdateien sind Safetensors oder GGUF.

Erfüllt
Malware- und Pickle-Scan des Hubs

Keine Datei markiert.

Erfüllt
Eine angegebene Lizenz

Die Modellkarte gibt ihre Lizenz an.

Nicht belegt

GPU-Rechner

Wie viel Speicher dieses Modell bei einer Quantisierung, Kontextlänge und Zahl gleichzeitiger Sequenzen braucht, welche GPUs es aufnehmen und wie schnell es generieren kann. Schätzungen aus der veröffentlichten Größe und dem Aufbau des Modells, mit den Annahmen unten.

Gewichte

BF16 / FP16 (16 bit)
​

Kontext je Sequenz: 8K Token

Gleichzeitige Sequenzen: 1

KV-Cache

Speicher

16 GB

Gewichte: 15 GB

KV-Cache: –

Laufzeit: 1,5 GB

Der Aufbau des Modells ist nicht veröffentlicht, daher ist der KV-Cache nicht enthalten.

GPUSpeicherBenötigte GPUsJe SequenzAlle Sequenzen
NVIDIA L424 GB
1 ×
12 Token/s12 Token/s
NVIDIA L40S48 GB
1 ×
36 Token/s36 Token/s
NVIDIA RTX 6000 Ada48 GB
1 ×
40 Token/s40 Token/s
NVIDIA RTX PRO 6000 Blackwell96 GB
1 ×
74 Token/s74 Token/s
NVIDIA A100 80GB SXM80 GB
1 ×
84 Token/s84 Token/s
NVIDIA H100 SXM80 GB
1 ×
138 Token/s138 Token/s
NVIDIA H200 SXM141 GB
1 ×
198 Token/s198 Token/s
AMD Instinct MI300X192 GB
1 ×
219 Token/s219 Token/s
AMD Instinct MI325X256 GB
1 ×
248 Token/s248 Token/s
Annahmen
  • Laufzeitspeicher (Aktivierungen, Puffer) beträgt 10 % von Gewichten und KV-Cache, dazu 1 GB je GPU für das Framework.
  • Eine GPU wird zu höchstens 90 % ihres Speichers belegt; Tensor-Parallelität nutzt 1, 2, 4 oder 8 GPUs in einem Server.
  • Die Generierung ist durch die Speicherbandbreite bei 60 % der Herstellerangabe begrenzt: Jeder Schritt liest die Gewichte einmal und den KV-Cache jeder Sequenz. Ein Mixture-of-Experts-Modell liest nur seine aktiven Experten und läuft daher schneller als gezeigt.
  • Speicher und Bandbreite der GPUs sind die veröffentlichten Herstellerangaben.

Profil

Art

Instruktionsmodell

Herkunft

Original

Familie

FalconMamba

Einsatz

Programmierung
Mathematik
Schlussfolgern
Wissenschaft
Konversation

Ein- und Ausgabe

Text → Text

Am 12.11.2026 von Workers AI (@cf/zai-org/glm-4.7-flash) aus der Modellkarte und den Metadaten des Hubs verfasst: eine Lesart des Anbietertexts, von Facthory nicht geprüft.

Veröffentlichte Benchmarks

So, wie die Modellkarte sie veröffentlicht, mit der Quelle, die sie nennt. Facthory hat sie nicht selbst gemessen; ohne Prüfung durch den Hub sind es Angaben des Anbieters.

BenchmarkMetrikErgebnisQuelleZählt für
BBH (3-Shot)
Zählt nicht: Lauf des Leaderboards
normalized accuracy19,88Open LLM LeaderboardZählt nicht: Lauf des Leaderboards
GPQA (0-shot)
Zählt nicht: Lauf des Leaderboards
acc_norm8,05Open LLM LeaderboardZählt nicht: Lauf des Leaderboards
IFEval (0-Shot)
Zählt nicht: Lauf des Leaderboards
strict accuracy33,36Open LLM LeaderboardZählt nicht: Lauf des Leaderboards
MATH Lvl 5 (4-Shot)
Zählt nicht: Lauf des Leaderboards
exact match3,63Open LLM Leaderboard

EU AI Act

Was der EU AI Act von einem KI-Modell mit allgemeinem Verwendungszweck verlangt, hängt davon ab, wer es wie in der EU in Verkehr bringt. Diese Angaben sind dafür maßgeblich:

  • Lizenz: other
  • Zugang: Gewichte ohne Freigabe herunterladbar
  • Parameter: 7,3 Mrd.
Automatisch
Vom Crawler von Facthory aus den veröffentlichten Angaben bewertet; noch nicht von einer Person geprüft.

KI-Modell mit allgemeinem Verwendungszweck (Artikel 3 Nummer 63)

Nicht bestimmt. Es ist keine Schätzung des Trainingsaufwands veröffentlicht, die der Richtwert der Kommission (10²³ FLOP) braucht. Ist es ein KI-Modell mit allgemeinem Verwendungszweck, binden die folgenden Pflichten seinen Anbieter.

Systemisches Risiko (Artikel 51)

Nicht vermutet. Es ist keine Schätzung des Trainingsaufwands veröffentlicht; ohne sie oder eine Einstufung durch die Kommission nach Artikel 52 gilt Artikel 55 nicht.

Open-Source-Ausnahme (Artikel 53 Absatz 2)

Gilt nicht. Seine Lizenz (other) ist keine freie und quelloffene Lizenz, die jedem erlaubt, das Modell zu nutzen, zu untersuchen, zu ändern und weiterzugeben.

Verhaltenskodex für KI-Modelle mit allgemeinem Verwendungszweck

Technology Innovation Institute steht nicht auf der Liste der Unterzeichner der Europäischen Kommission. Der Kodex ist freiwillig.

Was Modellkarte und Anbieter dokumentieren

Erfüllt
Technische Dokumentation veröffentlicht (Artikel 53 Absatz 1 Buchstabe a, Anhang XI)

Die Modellkarte veröffentlicht die Angaben der technischen Dokumentation.

Nicht angegeben: Energieverbrauch.
Nicht belegt
Quelle: Am 19.11.2026 von Hugging Face gelesen, Commit 080ad94. huggingface.co/tiiuae/falcon-mamba-7b
Veröffentlichte Sicherheitsbewertungen

Die Modellkarte berichtet keine Sicherheitsbewertung.

Vom Crawler von Facthory aus den veröffentlichten Angaben bewertet; noch nicht von einer Person geprüft. So bewerten wir
Zählt nicht: Lauf des Leaderboards
MMLU-PRO (5-shot)
main · test
Zählt nicht: Lauf des Leaderboards
accuracy14,47Open LLM LeaderboardZählt nicht: Lauf des Leaderboards
MuSR (0-shot)
Zählt nicht: Lauf des Leaderboards
acc_norm10,86Open LLM LeaderboardZählt nicht: Lauf des Leaderboards

Die Fähigkeitsbewertung zählt Ergebnisse, die die Autoren des Modells veröffentlichen, für die Benchmarks, die unsere Methodik aufführt, und nur, wo mindestens zwei Modelle im Katalog denselben Benchmark mit derselben Konfiguration und Metrik angeben. Ergebnisse, die eine Karte dem Open LLM Leaderboard zuschreibt, sind Läufe des Leaderboards, und die Evaluierungen von Epoch AI sind die von Epoch: Beide zählen nicht. So bewerten wir Fähigkeiten

Informationen für nachgelagerte Anbieter (Artikel 53 Absatz 1 Buchstabe b, Anhang XII)

Die Modellkarte gibt kaum Angaben, die nachgelagerte Anbieter brauchen.

Nicht angegeben: vorgesehene Verwendungen, Grenzen, zulässige Nutzung, Ein- und Ausgabeformate.
Nicht belegt
Strategie zum Urheberrecht veröffentlicht (Artikel 53 Absatz 1 Buchstabe c)

Wir fanden keine veröffentlichte Strategie zum Urheberrecht. Der AI Act verlangt eine, nicht unbedingt ihre Veröffentlichung.

Nicht belegt
Zusammenfassung der Trainingsinhalte (Artikel 53 Absatz 1 Buchstabe d)

Wir fanden keine veröffentlichte Zusammenfassung der Trainingsinhalte des Anbieters.

Nicht belegt
Bevollmächtigter in der EU (Artikel 54)

Wir fanden keinen vom Anbieter benannten Bevollmächtigten.

Nicht anwendbar
Angriffstests (Artikel 55 Absatz 1 Buchstabe a)

Gilt nur für Modelle mit systemischem Risiko.

Nicht anwendbar
Systemische Risiken bewertet und gemindert (Artikel 55 Absatz 1 Buchstabe b)

Gilt nur für Modelle mit systemischem Risiko.

Verordnung (EU) 2024/1689, der EU AI Act · Quelle: Verhaltenskodex für KI-Modelle mit allgemeinem Verwendungszweck, gelesen am 08.11.2026

Die EU-AI-Act-Bewertung von Facthory erscheint, sobald eine Person diese Prüfungen geprüft hat. Die Artikel, nach denen wir bewerten