Instructions to use GermannM/Kenga-Trained with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Notebooks
Google Colab
Kaggle
Local Apps Settings

How to use GermannM/Kenga-Trained with llama.cpp:

Install (macOS, Linux)

curl -LsSf https://llama.app/install.sh | sh
# Start a local OpenAI-compatible server with a web UI:
llama serve -hf GermannM/Kenga-Trained:Q4_K_M
# Run inference directly in the terminal:
llama cli -hf GermannM/Kenga-Trained:Q4_K_M

Install from WinGet (Windows)

winget install llama.cpp
# Start a local OpenAI-compatible server with a web UI:
llama serve -hf GermannM/Kenga-Trained:Q4_K_M
# Run inference directly in the terminal:
llama cli -hf GermannM/Kenga-Trained:Q4_K_M

Use pre-built binary

# Download pre-built binary from:
# https://github.com/ggerganov/llama.cpp/releases
# Start a local OpenAI-compatible server with a web UI:
./llama-server -hf GermannM/Kenga-Trained:Q4_K_M
# Run inference directly in the terminal:
./llama-cli -hf GermannM/Kenga-Trained:Q4_K_M

Build from source code

git clone https://github.com/ggerganov/llama.cpp.git
cd llama.cpp
cmake -B build
cmake --build build -j --target llama-server llama-cli
# Start a local OpenAI-compatible server with a web UI:
./build/bin/llama-server -hf GermannM/Kenga-Trained:Q4_K_M
# Run inference directly in the terminal:
./build/bin/llama-cli -hf GermannM/Kenga-Trained:Q4_K_M

Use Docker

docker model run hf.co/GermannM/Kenga-Trained:Q4_K_M

LM Studio
Jan

vLLM

How to use GermannM/Kenga-Trained with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "GermannM/Kenga-Trained"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "GermannM/Kenga-Trained",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker

docker model run hf.co/GermannM/Kenga-Trained:Q4_K_M

Ollama
How to use GermannM/Kenga-Trained with Ollama:
```
ollama run hf.co/GermannM/Kenga-Trained:Q4_K_M
```
Unsloth Desktop

How to use GermannM/Kenga-Trained with Pi:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf GermannM/Kenga-Trained:Q4_K_M

Configure the model in Pi

# Install Pi:
npm install -g @earendil-works/pi-coding-agent
# Add to ~/.pi/agent/models.json:
{
  "providers": {
    "llama-cpp": {
      "baseUrl": "http://localhost:8080/v1",
      "api": "openai-completions",
      "apiKey": "none",
      "models": [
        {
          "id": "GermannM/Kenga-Trained:Q4_K_M"
        }
      ]
    }
  }
}

Run Pi

# Start Pi in your project directory:
pi

Docker Model Runner
How to use GermannM/Kenga-Trained with Docker Model Runner:
```
docker model run hf.co/GermannM/Kenga-Trained:Q4_K_M
```

Lemonade

How to use GermannM/Kenga-Trained with Lemonade:

Pull the model

# Download Lemonade from https://lemonade-server.ai/
lemonade pull GermannM/Kenga-Trained:Q4_K_M

Run and chat with the model

lemonade run user.Kenga-Trained-Q4_K_M

List all available models

lemonade list

Hermes Agent

How to use GermannM/Kenga-Trained with Hermes Agent:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf GermannM/Kenga-Trained:Q4_K_M

Configure Hermes

# Install Hermes:
curl -fsSL https://hermes-agent.nousresearch.com/install.sh | bash
hermes setup
# Point Hermes at the local server:
hermes config set model.provider custom
hermes config set model.base_url http://127.0.0.1:8080/v1
hermes config set model.default GermannM/Kenga-Trained:Q4_K_M

Run Hermes

hermes

Atomic Chat

OpenClaw

How to use GermannM/Kenga-Trained with OpenClaw:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf GermannM/Kenga-Trained:Q4_K_M

Configure OpenClaw

# Install OpenClaw:
npm install -g openclaw@latest
# Register the local server and set it as the default model:
openclaw onboard --non-interactive --mode local \
  --auth-choice custom-api-key \
  --custom-base-url http://127.0.0.1:8080/v1 \
  --custom-model-id "GermannM/Kenga-Trained:Q4_K_M" \
  --custom-provider-id llama-cpp \
  --custom-compatibility openai \
  --custom-text-input \
  --accept-risk \
  --skip-health

Run OpenClaw

openclaw agent --local --agent main --message "Hello from Hugging Face"

Kenga-Trained — флагманская модель с верифицированным обучением

Kenga-Trained — языковая модель, дообученная на корпусе, где каждый пример проверен компилятором. Она не «думает» над вопросом — она отвечает. Прямо, коротко, по-русски.

Результат

В сравнительном тесте пяти моделей (10 вопросов, нулевая температура) Kenga-Trained дала 8 правильных ответов из 10 — единственная из всех. Остальные четыре (включая базовые версии) дали ноль: они анализировали запрос вместо того, чтобы ответить.

Модель	Правильных	Время
Kenga-Trained	8 / 10	24.5 с
Kenga-Heretic	0 / 10	32.1 с
Kenga-Finetuned	0 / 10	58.8 с
Kenga (базовая)	0 / 10	33.6 с
Qwen 3.5 9B (база)	0 / 10	45.7 с

Что делает её другой

Верифицированный корпус. Каждый пример в обучающих данных был проверен: программа компилируется, запускается, выдаёт ожидаемый результат. Модель училась на данных, где правильность — не мнение, а факт.

Результат: модель, которая отвечает на вопросы вместо того, чтобы рассуждать о том, почему вопрос интересный.

Использование

Ollama (рекомендуется)

ollama pull kenga-trained
ollama run kenga-trained "Столица Франции?"
# Париж.

llama.cpp

llama-cli -m kenga-trained-q4_k_m.gguf -p "Столица Франции?"

Python (transformers + GGUF)

from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained(
    "GermannM/Kenga-Trained",
    gguf_file="kenga-trained-q4_k_m.gguf"
)

Примеры

Пользователь: Кто написал «Войну и мир»?
Кенга: Лев Толстой.

Пользователь: Сколько дней в високосном году?
Кенга: 366

Пользователь: Химическая формула воды?
Кенга: H2O

Технические детали

Параметры: ~9B
Квантование: Q4_K_M (4.4 GB)
Формат: GGUF (совместим с Ollama, llama.cpp, LM Studio)
Языки: русский (основной), английский
Обучающий корпус: верифицированные программы на языке Kenga (компиляция + запуск + проверка результата для каждого примера)

Спектральный паспорт

Модель снабжена спектральным паспортом идентичности (Z-система): маркер 6108e4d16400d5e1 верифицирует, что это именно эта модель, а не подделка или несанкционированная модификация.

Создатель

Герман Янтарас (GermannM) — создатель языка программирования Kenga и Z-системы.

Связанные проекты

Kenga-lang — язык программирования для живого ИИ
Z-System — физика информационных объектов
Kenga 1.5B — компактная версия с вписанной идентичностью

Downloads last month: -

GGUF

Model size

8B params

Architecture

qwen2

Hardware compatibility

4-bit