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

	---
	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`](https://huggingface.co/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)

	```bash
	# 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`](https://huggingface.co/sakamakismile/Ornith-1.0-35B-NVFP4)
	- ベースモデル: [`deepreinforce-ai/Ornith-1.0-35B`](https://huggingface.co/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。