CyberAgent CALM

huggingface.co/cyberagent/calm2-7b ist die Modellseite von CALM2 (CyberAgentLM2), einem Decoder-Sprachmodell des japanischen Unternehmens CyberAgent mit 7 Milliarden Parametern, das mit rund 1,3 Billionen Token aus öffentlich verfügbaren japanischen und englischen Datensätzen vortrainiert wurde.

🛡️ Datenschutz: Das Modell kann lokal oder selbst gehostet betrieben werden und steht unter der Apache-2.0-Lizenz zum Download bereit; bei Betrieb auf eigener Hardware fließen Daten laut Modellkarte nicht an den Anbieter ab. Entwickler ist laut Modellkarte CyberAgent, Inc., ein japanisches Technologieunternehmen. Bei Nutzung über Drittplattformen sollte für personenbezogene Daten vorab ein AVV/DPA geprüft werden.

Das Tool richtet sich an Entwickler und Forschende, die ein offenes Modell für japanische und englische Texte selbst betreiben oder anpassen wollen.

Tool-Details & Features

💰 Preise: Kostenloser Download unter Apache-2.0-Lizenz.

⚙️ Technik: Decoder-Modell auf LLaMA-Architektur mit 4.096 Token Kontext (Basismodell) bzw. 32.768 Token (Chatmodell); Nutzung über Hugging Face Transformers, vLLM oder SGLang; das Basismodell ist nicht instruktionsfein-getunt.

👥 Zielgruppe: Entwickler und Forschende mit Erfahrung im Betrieb von Sprachmodellen.

🔗 Integrationen: Unterstützt Hugging Face Transformers, vLLM, SGLang und Docker laut Modellkarte.

📊 Funktionen: Textgenerierung auf Japanisch und Englisch; mit calm2-7b-chat eine für Dialoge feinjustierte Variante.

Vor- & Nachteile

✅ Vorteile: Offene Apache-2.0-Lizenz erlaubt kommerzielle Nutzung und Anpassung; läuft lokal; Training auf öffentlichen Daten laut Modellkarte.

❌ Nachteile: Mit 7 Mrd. Parametern kleiner als aktuelle Spitzenmodelle; Basismodell ohne Instruktionstuning; Betrieb und Absicherung erfordern technisches Know-how; Einschränkungen und Risiken sind auf der Modellseite nicht ausführlich beschrieben.

Für wen geeignet?

Perfekt für Entwickler und Forschende, die ein kleines offenes Modell für japanische und englische Texte selbst hosten wollen.