Kouri ajan yo sou modèl fwontyè jere jodi a—oswa lwe kapasite GPU, deplwaye pwa pwòp ou yo, epi dirije travay Digio nan pwen final prive nan menm espas travay la.
Bay yon modèl default pou chak ajan oswa pase pou chak travay. Itilizasyon yo mezire nan Digio Tokens nan balans plan ou a—menm bous la si ajan an rele Sonnet, GPT-4o, oswa Gemini Flash.
Model list and token economics evolve with provider releases. Your workspace shows live options when you assign a model to an agent; Digio Tokens debit from the same balance as in pricing.
Koòdonatè a ka rekòmande Sonnet vs Opus vs yon modèl flash pi bon mache ki baze sou kalite travay. Itilizatè pouvwa yo mete defo pou chak wòl ajan-rechèch sou Sonnet, revizyon final sou Opus, tagging esansyèl sou Haiku oswa Gemini Flash.
Per agent — default model in agent settings; override in To do or chat when needed.
Metered fairly — input, output, and cached tokens map to Digio Token charges (see usage in your wallet).
Skills stay the same — tools and integrations work across models; only latency and cost profile change.
Plan limits — more agents and monthly Digio Tokens on higher tiers; top up anytime on the pricing page.
Bezwen yon amann-melodi, yon pòs lè-gapped, oswa pri enferans previzib? Ajoute kapasite GPU dedye nan espas travay Digio ou a, enstale pile pòsyon ou pito a, epi montre ajan yo nan pwen final prive ou a.
Nœuds GPU chak èdtan oswa chak mwa (klas A100, H100, L40S) ki tache ak lokatè w la—izolasyon ak lòt kliyan.
Telechaje safetensors, GGUF, oswa rale soti nan rejis ou a; kouri Llama, Mistral, Qwen, ak koutim amann-melodi.
vLLM, TGI, Ollama, oswa imaj veso ou kenbe—ajan Digio yo rele yon URL baz ki konpatib OpenAI.
Pou fè, ekip chat, ladrès, ak kolaborasyon san okenn chanjman-se sèlman backend la enferans ki pou ou.
Voye etap sansib nan GPU prive epi sèvi ak Claude oswa GPT pou rechèch piblik nan yon sèl workflow.
Peering VPC, sòti estatik, mòso odit, ak lis modèl pou ekip reglemante.
Konfigirasyon tipik soti nan zewo jiska ajan k ap rele pwen final ou a:
Chwazi VRAM, rejyon, ak disponiblite (pete vs toujou sou). Depo pou pwa bato ak egzanp lan oswa monte bokit ou.
Kòmanse yon imaj k ap sèvi oswa SSH nan, enstale chofè CUDA, epi chaje pòs yo. Chèk sante konfime modèl la pare.
Ajoute URL de baz, kle API, ak id modèl nan anviwònman espas travay. Digio valide fòma latansi ak siy anvan li ale viv.
Chwazi modèl prive ou kòm default pou ajan chwazi yo; modèl Claude/GPT jere yo rete disponib kòt a kòt.
Lwaye GPU yo voye bòdwo separe de abònman plan Digio. Kontakte nou pou planifikasyon kapasite, SLA, ak migrasyon soti nan yon gwoup enferans ki egziste deja.
Chwazi API jere vs enferans pwòp tèt ou-akomode sou Digio.
Abònman Digio ou a kouvri enfrastrikti, ajan, e enkli Digio Tokens. Jere debi itilizasyon modèl ki balans siy pa siy aktyèl opinyon / pwodiksyon. Lwe GPU se yon adisyon pou machin ou kontwole yo.
Wi—chak ajan ka gen pwòp default li yo. Travay ak chat yo ka depase pou yon sèl kouri san yo pa chanje default global la.
Opus se branche pou rezònman pi difisil ak pi long plan aderan; Sonnet se pi vit ak pi bon mache pou bouk ajan chak jou. Haiku ak modèl flash-klas yo pi bon pou sou-tach volim.
Espas travay antrepriz yo ka mete restriksyon sou founisè modèl sortan yo epi mennen tout trafik ajan nan pwen final GPU ou. Mòd ibrid se default pou pifò ekip yo.
Ofri yo depann de rejyon ak demann—souvan nivo 24–80 GB VRAM pou modèl klas 7B–70B ak nœuds milti-GPU pou pi gwo pil. Nou ede gwosè VRAM soti nan konte paramèt ou ak quantization.
Òkestrasyon (ajan, travay, depo) rete sou plan ou. Enferans sou GPU ou a faktire kòm tan GPU; ou ka si ou vle mezire itilizasyon siy ki gen fòm pou chaj entèn yo.
Ajan, travay, ak konpetans—espas travay la alantou modèl ou chwazi a.
Kòmanse sou Claude ak GPT jodi a, apresa ajoute GPU dedye lè w pare pou òganize pwa koutim—menm ajan, menm travay, dediksyon ou.
