Instructions to use utautako/Ornith-1.0-35B-NVFP4-noMTP-BF16-GGUF with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use utautako/Ornith-1.0-35B-NVFP4-noMTP-BF16-GGUF with llama-cpp-python:

# !pip install llama-cpp-python

from llama_cpp import Llama

llm = Llama.from_pretrained(
	repo_id="utautako/Ornith-1.0-35B-NVFP4-noMTP-BF16-GGUF",
	filename="Ornith-1.0-35B-NVFP4-noMTP-BF16.gguf",
)

llm.create_chat_completion(
	messages = [
		{
			"role": "user",
			"content": [
				{
					"type": "text",
					"text": "Describe this image in one sentence."
				},
				{
					"type": "image_url",
					"image_url": {
						"url": "https://cdn.britannica.com/61/93061-050-99147DCE/Statue-of-Liberty-Island-New-York-Bay.jpg"
					}
				}
			]
		}
	]
)

Notebooks
Google Colab
Kaggle
Local Apps Settings

llama.cpp

How to use utautako/Ornith-1.0-35B-NVFP4-noMTP-BF16-GGUF 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 utautako/Ornith-1.0-35B-NVFP4-noMTP-BF16-GGUF:BF16
# Run inference directly in the terminal:
llama cli -hf utautako/Ornith-1.0-35B-NVFP4-noMTP-BF16-GGUF:BF16

Install from WinGet (Windows)

winget install llama.cpp
# Start a local OpenAI-compatible server with a web UI:
llama serve -hf utautako/Ornith-1.0-35B-NVFP4-noMTP-BF16-GGUF:BF16
# Run inference directly in the terminal:
llama cli -hf utautako/Ornith-1.0-35B-NVFP4-noMTP-BF16-GGUF:BF16

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 utautako/Ornith-1.0-35B-NVFP4-noMTP-BF16-GGUF:BF16
# Run inference directly in the terminal:
./llama-cli -hf utautako/Ornith-1.0-35B-NVFP4-noMTP-BF16-GGUF:BF16

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 utautako/Ornith-1.0-35B-NVFP4-noMTP-BF16-GGUF:BF16
# Run inference directly in the terminal:
./build/bin/llama-cli -hf utautako/Ornith-1.0-35B-NVFP4-noMTP-BF16-GGUF:BF16

Use Docker

docker model run hf.co/utautako/Ornith-1.0-35B-NVFP4-noMTP-BF16-GGUF:BF16

LM Studio
Jan

vLLM

How to use utautako/Ornith-1.0-35B-NVFP4-noMTP-BF16-GGUF with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "utautako/Ornith-1.0-35B-NVFP4-noMTP-BF16-GGUF"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "utautako/Ornith-1.0-35B-NVFP4-noMTP-BF16-GGUF",
		"messages": [
			{
				"role": "user",
				"content": [
					{
						"type": "text",
						"text": "Describe this image in one sentence."
					},
					{
						"type": "image_url",
						"image_url": {
							"url": "https://cdn.britannica.com/61/93061-050-99147DCE/Statue-of-Liberty-Island-New-York-Bay.jpg"
						}
					}
				]
			}
		]
	}'

Use Docker

docker model run hf.co/utautako/Ornith-1.0-35B-NVFP4-noMTP-BF16-GGUF:BF16

Ollama
How to use utautako/Ornith-1.0-35B-NVFP4-noMTP-BF16-GGUF with Ollama:
```
ollama run hf.co/utautako/Ornith-1.0-35B-NVFP4-noMTP-BF16-GGUF:BF16
```

Unsloth Studio

How to use utautako/Ornith-1.0-35B-NVFP4-noMTP-BF16-GGUF with Unsloth Studio:

Install Unsloth Studio (macOS, Linux, WSL)

curl -fsSL https://unsloth.ai/install.sh | sh
# Run unsloth studio
unsloth studio -H 0.0.0.0 -p 8888
# Then open http://localhost:8888 in your browser
# Search for utautako/Ornith-1.0-35B-NVFP4-noMTP-BF16-GGUF to start chatting

Install Unsloth Studio (Windows)

irm https://unsloth.ai/install.ps1 | iex
# Run unsloth studio
unsloth studio -H 0.0.0.0 -p 8888
# Then open http://localhost:8888 in your browser
# Search for utautako/Ornith-1.0-35B-NVFP4-noMTP-BF16-GGUF to start chatting

Using HuggingFace Spaces for Unsloth

# No setup required
# Open https://huggingface.co/spaces/unsloth/studio in your browser
# Search for utautako/Ornith-1.0-35B-NVFP4-noMTP-BF16-GGUF to start chatting

How to use utautako/Ornith-1.0-35B-NVFP4-noMTP-BF16-GGUF with Pi:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf utautako/Ornith-1.0-35B-NVFP4-noMTP-BF16-GGUF:BF16

Configure the model in Pi

# Install Pi:
npm install -g @mariozechner/pi-coding-agent
# Add to ~/.pi/agent/models.json:
{
  "providers": {
    "llama-cpp": {
      "baseUrl": "http://localhost:8080/v1",
      "api": "openai-completions",
      "apiKey": "none",
      "models": [
        {
          "id": "utautako/Ornith-1.0-35B-NVFP4-noMTP-BF16-GGUF:BF16"
        }
      ]
    }
  }
}

Run Pi

# Start Pi in your project directory:
pi

Hermes Agent new

How to use utautako/Ornith-1.0-35B-NVFP4-noMTP-BF16-GGUF with Hermes Agent:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf utautako/Ornith-1.0-35B-NVFP4-noMTP-BF16-GGUF:BF16

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 utautako/Ornith-1.0-35B-NVFP4-noMTP-BF16-GGUF:BF16

Run Hermes

hermes

Atomic Chat new

OpenClaw new

How to use utautako/Ornith-1.0-35B-NVFP4-noMTP-BF16-GGUF with OpenClaw:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf utautako/Ornith-1.0-35B-NVFP4-noMTP-BF16-GGUF:BF16

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 "utautako/Ornith-1.0-35B-NVFP4-noMTP-BF16-GGUF:BF16" \
  --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"

Docker Model Runner
How to use utautako/Ornith-1.0-35B-NVFP4-noMTP-BF16-GGUF with Docker Model Runner:
```
docker model run hf.co/utautako/Ornith-1.0-35B-NVFP4-noMTP-BF16-GGUF:BF16
```

Lemonade

How to use utautako/Ornith-1.0-35B-NVFP4-noMTP-BF16-GGUF with Lemonade:

Pull the model

# Download Lemonade from https://lemonade-server.ai/
lemonade pull utautako/Ornith-1.0-35B-NVFP4-noMTP-BF16-GGUF:BF16

Run and chat with the model

lemonade run user.Ornith-1.0-35B-NVFP4-noMTP-BF16-GGUF-BF16

List all available models

lemonade list

Ornith-1.0-35B-NVFP4-noMTP-BF16-GGUF / READMEjp.md

utautako

Trim benchmark card back to original concision (numbers only)

b368a51 verified 5 days ago

preview code

Raw

History Blame Contribute Delete

8.01 kB

metadata

license: mit
pipeline_tag: image-text-to-text
library_name: llama.cpp
base_model:
  - sakamakismile/Ornith-1.0-35B-NVFP4
  - deepreinforce-ai/Ornith-1.0-35B
base_model_relation: quantized
language:
  - ja
tags:
  - gguf
  - llama-cpp
  - qwen
  - qwen3_5_moe
  - qwen35moe
  - nvfp4
  - compressed-tensors
  - vision
  - vlm
  - multimodal
  - mixture-of-experts
  - agentic-coding
  - quantized
  - rtx-5090
  - blackwell

Ornith-1.0-35B-NVFP4-noMTP-BF16-GGUF

sakamakismile/Ornith-1.0-35B-NVFP4 の GGUF 変換版です。compressed-tensors の NVFP4 重みをそのまま保持し、BF16 のビジョン・プロジェクタ (mmproj) と BF16 (ロスレス) の埋め込み層 & 出力層を採用しています。テキスト専用チェックポイント (MTP ヘッドなし)。RTX 5090 (Blackwell) で llama-benchy を用いてベンチマーク取得済み。

特徴

NVFP4 保持 — 430 個の NVFP4 テンサー（MoE エキスパート、attention、linear-attention/SSM）をネイティブ 4bit フォーマットで保持し、再量子化は行っていません。
ロスレス埋め込み & 出力 — token_embd と lm_head を BF16 で保持（Q4_K/Q6_K ではない）ため、語彙および出力射影の精度はソースのままです。
ビジョン / mmproj — 別途 BF16 のビジョン・プロジェクタにより image-text-to-text が可能です。
MTP なし — ソースチェックポイントに multi-token-prediction ヘッドが含まれていないため、クリーンな自己回帰 (AR) モデルです (block_count = 40)。
Blackwell ネイティブ FP4 — RTX 50 シリーズ (sm_120) でネイティブ FP4 テンサーコアカーネルによる prefill/decoding を使用します。

ファイル

ファイル	サイズ	説明
`Ornith-1.0-35B-NVFP4-noMTP-BF16.gguf`	19.60 GiB	メイン GGUF — NVFP4 ボディ保持、BF16 `token_embd`/`lm_head`
`mmproj-Ornith-1.0-35B-BF16.gguf`	861 MiB	画像入力用ビジョン・プロジェクタ (mmproj)

使い方 (llama.cpp)

# テキストのみ
llama-server -m Ornith-1.0-35B-NVFP4-noMTP-BF16.gguf --host 0.0.0.0 --port 8080 --jinja

# ビジョン付き (image-text-to-text)
llama-server -m Ornith-1.0-35B-NVFP4-noMTP-BF16.gguf \
  --mmproj mmproj-Ornith-1.0-35B-BF16.gguf \
  --host 0.0.0.0 --port 8080 --jinja

Blackwell (RTX 50xx) 向けにネイティブ FP4 アクセラレーションを使用するには、CUDA 12.8 以上でコンパイルし、 -DCMAKE_CUDA_ARCHITECTURES=120 を指定してください。-ngl 999 で全レイヤをオフロード、-c 262144 で最大コンテキストを使用できます。

このモデルは思考 (thinking) モデルです。推論は <think>…</think> タグ内で出力されます。一時的に思考を無効にするには、リクエストボディに "chat_template_kwargs": {"enable_thinking": false} を指定します。

ビジョン

本モデルはマルチモーダル (image-text-to-text) です。画像入力は --mmproj オプションで別途用意した mmproj ファイルを指定する必要があります。 llama.cpp で検証済み（合成画像の入力に対し、モデルが形状と色を正しく記述しました）。 mmproj の読み込みがテキスト生成スループットに与える影響はごくわずかです（ベンチマーク参照）。

ベンチマーク

RTX 5090 (32 GB)、llama.cpp b9812 (0e53b82a9、MSVC 19.50、sm_120a、BLACKWELL_NATIVE_FP4=1)、 llama-benchy (pp = 512/4096、tg = 512、runs = 3、--latency-mode generation)、 tokenizer deepreinforce-ai/Ornith-1.0-35B、ctx = 262144、KV キャッシュ q8_0。自己回帰 (spec decoding なし)。

モード	pp	Prefill (pp) tok/s	Generation (tg) tok/s	最大 tg
Text	512	6539.84 ± 84.57	193.58 ± 3.20	194.00
Text	4096	7754.81 ± 288.02	193.75 ± 1.92	194.33
Vision (+mmproj)	512	6076.30 ± 335.59	188.55 ± 1.97	189.00
Vision (+mmproj)	4096	7674.93 ± 86.51	190.58 ± 0.24	191.00

一貫性テストは全 run で PASSED。生成レイテンシ ≈ 112–125 ms。

ランタイム設定

RTX 5090 で llama-server 読み込み時：

パラメータ	値
コンテキスト (`c`)	196 608
最大トークン数	32 768
スペキュラティブデコーディング	なし
ビジョンプロジェクタ	`mmproj-Ornith-1.0-35B-BF16.gguf`
KV キャッシュタイプ	q8_0
VRAM 使用量	22.68 GiB

量子化 / 変換に関する注意

llama.cpp の convert_hf_to_gguf.py を用い、sakamakismile の NVFP4 チェックポイント (compressed-tensors、format: nvfp4-pack-quantized) から直接変換しています。自動検出され GGML_TYPE_NVFP4 へ再パックされます — 全精度へのデ量子化は行われません。

--outtype bf16（Q4_K ではない）。 bf16 を指定することで NVFP4 ボディを保持し、大きな 2-D 重み (token_embd、lm_head) を BF16 で残します。小さい 1-D テンサー（ノルム、バイアス、ルーターゲート、スケール）のみが F32 です。大きな重みが無駄に F32 へ肥大化することがないため、適切なサイズ（19.60 GiB）に収めるのに後続の llama-quantize パスは不要です。
--no-mtp。 チェックポイントの config.json に mtp_num_hidden_layers: 1 と宣言されていますが、MTP テンサーは含まれていません。--no-mtp により block_count = 40 を維持し、存在しない MTP ヘッドを要求するのを防ぎます。
テンサー構成: NVFP4 × 430、F32 × 1161（スケール / ノルム / ルーターゲート）、BF16 × 2（token_embd、lm_head）

BF16 出力の速度 / 品質トレードオフ: lm_head を BF16 で保持する (~1.0 GiB) ことで、完全に量子化されたビルドと比較して生成スループットが約 14 % 低下します（本モデル ≈ 193 tok/s 対 Q4_K_M ≈ 223 tok/s、同一ハードウェア上）。これは出力射影が ~248k 語彙に対してデコードステップごとに読み込まれるためです。このビルドはロスレス埋め込み/出力を優先しています。速度を優先する場合は llama-quantize による出力層の Q6_K 量子化が必要です。

モデル詳細

オリジナル（量子化済み）モデル: sakamakismile/Ornith-1.0-35B-NVFP4
ベースモデル: deepreinforce-ai/Ornith-1.0-35B
アーキテクチャ: qwen35moe（Qwen3.5-MoE ファミリー; ハイブリッド full + gated-linear attention）、block_count = 40、MTP なし
MoE: 256 エキスパート、8 個活性化; 埋め込み次元 2048; コンテキスト長 262144
量子化: NVFP4（430 テンサー）保持; token_embd/lm_head BF16; スケール/ノルム F32
変換: llama.cpp convert_hf_to_gguf.py --outtype bf16 --no-mtp（メイン）および --mmproj --outtype bf16（ビジョン）
ファイルサイズ: メイン 19.60 GiB、mmproj 861 MiB

ライセンスおよび帰属

MIT ライセンスの下でリリースされています。これは sakamakismile/Ornith-1.0-35B-NVFP4（ベースモデル deepreinforce-ai/Ornith-1.0-35B、NVFP4 量子化は sakamakismile）の非公式 GGUF 変換です。元の著者とは関係がなく、承認されたものでもありません。意図された用途および制限についてはオリジナルのモデルカードをご参照ください。