Instructions to use AxoneSystem/Minerva-v0.1 with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use AxoneSystem/Minerva-v0.1 with Transformers:

# Use a pipeline as a high-level helper
from transformers import pipeline

pipe = pipeline("text-generation", model="AxoneSystem/Minerva-v0.1")
messages = [
    {"role": "user", "content": "Who are you?"},
]
pipe(messages)

# pip install -U transformers accelerate
# Load model directly
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("AxoneSystem/Minerva-v0.1")
model = AutoModelForCausalLM.from_pretrained("AxoneSystem/Minerva-v0.1", device_map="auto")
messages = [
    {"role": "user", "content": "Who are you?"},
]
inputs = tokenizer.apply_chat_template(
	messages,
	add_generation_prompt=True,
	tokenize=True,
	return_dict=True,
	return_tensors="pt",
).to(model.device)

outputs = model.generate(**inputs, max_new_tokens=256)
print(tokenizer.decode(outputs[0][inputs["input_ids"].shape[-1]:]))

Notebooks
Google Colab
Kaggle
Local Apps Settings

llama.cpp

How to use AxoneSystem/Minerva-v0.1 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 AxoneSystem/Minerva-v0.1:F16
# Run inference directly in the terminal:
llama cli -hf AxoneSystem/Minerva-v0.1:F16

Install from WinGet (Windows)

winget install llama.cpp
# Start a local OpenAI-compatible server with a web UI:
llama serve -hf AxoneSystem/Minerva-v0.1:F16
# Run inference directly in the terminal:
llama cli -hf AxoneSystem/Minerva-v0.1:F16

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 AxoneSystem/Minerva-v0.1:F16
# Run inference directly in the terminal:
./llama-cli -hf AxoneSystem/Minerva-v0.1:F16

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 AxoneSystem/Minerva-v0.1:F16
# Run inference directly in the terminal:
./build/bin/llama-cli -hf AxoneSystem/Minerva-v0.1:F16

Use Docker

docker model run hf.co/AxoneSystem/Minerva-v0.1:F16

LM Studio
Jan

vLLM

How to use AxoneSystem/Minerva-v0.1 with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "AxoneSystem/Minerva-v0.1"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "AxoneSystem/Minerva-v0.1",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker

docker model run hf.co/AxoneSystem/Minerva-v0.1:F16

SGLang

How to use AxoneSystem/Minerva-v0.1 with SGLang:

Install from pip and serve model

# Install SGLang from pip:
pip install sglang
# Start the SGLang server:
python3 -m sglang.launch_server \
    --model-path "AxoneSystem/Minerva-v0.1" \
    --host 0.0.0.0 \
    --port 30000
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:30000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "AxoneSystem/Minerva-v0.1",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker images

docker run --gpus all \
    --shm-size 32g \
    -p 30000:30000 \
    -v ~/.cache/huggingface:/root/.cache/huggingface \
    --env "HF_TOKEN=<secret>" \
    --ipc=host \
    lmsysorg/sglang:latest \
    python3 -m sglang.launch_server \
        --model-path "AxoneSystem/Minerva-v0.1" \
        --host 0.0.0.0 \
        --port 30000
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:30000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "AxoneSystem/Minerva-v0.1",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Ollama
How to use AxoneSystem/Minerva-v0.1 with Ollama:
```
ollama run hf.co/AxoneSystem/Minerva-v0.1:F16
```
Unsloth Desktop
Docker Model Runner
How to use AxoneSystem/Minerva-v0.1 with Docker Model Runner:
```
docker model run hf.co/AxoneSystem/Minerva-v0.1:F16
```

Lemonade

How to use AxoneSystem/Minerva-v0.1 with Lemonade:

Pull the model

# Download Lemonade from https://lemonade-server.ai/
lemonade pull AxoneSystem/Minerva-v0.1:F16

Run and chat with the model

lemonade run user.Minerva-v0.1-F16

List all available models

lemonade list

Atomic Chat

Minerva v0.1 🇪🇸

Minerva es un modelo de lenguaje en español diminuto (30 millones de parámetros), entrenado desde cero en un ordenador portátil. Es un modelo de juguete y de aprendizaje: habla español con soltura y cuenta cuentos sencillos, pero sabe muy poco del mundo y se inventa las cosas.

El nombre viene de Minerva, diosa romana de la sabiduría, que según el mito nació de la cabeza de Júpiter. Este modelo también "nació de la cabeza" de modelos más grandes: aprendió de textos escritos por ellos (destilación).

Qué sabe hacer (y qué no)

✅ Sí	❌ No
Escribir en español con buena gramática	Dar datos fiables (se los inventa con seguridad)
Contar cuentos infantiles coherentes	Matemáticas, razonamiento, programación
Charlar con frases sencillas	Recordar conversaciones largas (ve unas 350 palabras)
Decir quién es y por qué se llama así	Cualquier uso serio: no lo uses para decisiones reales

Ejemplos reales

Respuestas generadas automáticamente al exportar el modelo (temperatura 0.7, sin escoger las mejores):

Tú: ¿Quién eres?
Minerva: Soy Minerva, un modelo de lenguaje español. No soy una persona, soy un programa de ordenador.

Tú: ¿Por qué te llamas Minerva?
Minerva: Me llamo así por Minerva, la diosa romana de la sabiduría. Según el mito, nació de la cabeza de Júpiter. Yo también nací de la cabeza de modelos más grandes: ellos me enseñaron y yo aprendí de sus respuestas.

Tú: ¿Cuál es la capital de España?
Minerva: La capital de España es Aragón.

Tú: ¿Qué es la paella?
Minerva: La paella es una tienda minorista que consiste en marcas y compresas para vender productos crudos.

Tú: Dame un consejo para dormir mejor.
Minerva: No es bueno dormir mucho. Es importante estar preparado para dormir. Las personas no pueden sentir que algo no estaba bien, y es importante tomarse un descanso y tomar descansos.

Cuento (empieza con «Había una vez un dragón que»):
Había una vez un dragón que podría volar. El dragón estaba enojado porque no había nadie que pudiera ayudar.

Cómo usarlo

Con LM Studio u Ollama (sin programar)

El repositorio incluye el archivo Minerva-v0.1-F16.gguf.

LM Studio: busca AxoneSystem/Minerva-v0.1 y descárgalo.
Ollama: ollama run hf.co/AxoneSystem/Minerva-v0.1

Con Python (`transformers`)

from transformers import AutoModelForCausalLM, AutoTokenizer

tok = AutoTokenizer.from_pretrained("AxoneSystem/Minerva-v0.1")
modelo = AutoModelForCausalLM.from_pretrained("AxoneSystem/Minerva-v0.1")

mensajes = [{"role": "user", "content": "¿Quién eres?"}]
ids = tok.apply_chat_template(mensajes, add_generation_prompt=True, return_tensors="pt")
salida = modelo.generate(ids, max_new_tokens=150, do_sample=True, temperature=0.7, top_k=30)
print(tok.decode(salida[0, ids.shape[1]:], skip_special_tokens=True))

Para que cuente un cuento, dale el principio sin plantilla de chat: "Había una vez un gato que".

Formato de chat

<|usuario|>¿Quién eres?<|asistente|>Soy Minerva, un modelo de lenguaje muy pequeño...<|fin|>

Cómo se entrenó


Arquitectura	Transformer decodificador tipo Llama: RMSNorm, RoPE, SwiGLU, embeddings compartidos
Tamaño	30M parámetros · 8 capas · 512 dimensiones · 8 cabezas · contexto de 512 tokens
Tokenizador	BPE byte-level propio, 8.192 piezas, entrenado solo con español
Hardware	1 portátil con NVIDIA RTX 5070 Laptop (8 GB)
Tiempo	~1 h de preentreno + ~1 h de destilación y ajuste

Preentreno (~280M tokens vistos): ~1 millón de cuentos infantiles en español escritos por Gemini 1.5 Flash (robrenaud/multilingual_tinystories) + ~50.000 respuestas de GPT-4 en español (FreedomIntelligence/alpaca-gpt4-spanish). Objetivo: predecir la siguiente palabra.
Destilación: Salamandra-2B-Instruct (Barcelona Supercomputing Center) respondió miles de preguntas de forma sencilla y corta, para que un modelo tan pequeño pudiera imitarlo.
Ajuste de chat: aprende a responder solo con las partes del asistente (las preguntas no cuentan en el aprendizaje) + unas decenas de respuestas escritas a mano sobre su identidad.

Pérdida de validación final en el ajuste de chat: 2.242. El código completo de entrenamiento está en la carpeta entrenamiento/.

Licencia

CC BY-NC 4.0 (uso no comercial). Parte de los datos de ajuste son respuestas de GPT-4 que proceden de Alpaca-GPT4, publicado solo para investigación y uso no comercial; por prudencia el modelo hereda esa restricción. Los cuentos (Apache-2.0) y el maestro Salamandra (Apache-2.0) no tienen esa limitación.

Downloads last month: 114

Safetensors

Model size

29.9M params

Tensor type

F32

AxoneSystem
/

Minerva-v0.1

Minerva v0.1 🇪🇸

Qué sabe hacer (y qué no)

Ejemplos reales

Cómo usarlo

Con LM Studio u Ollama (sin programar)

Con Python (`transformers`)

Formato de chat

Cómo se entrenó

Licencia

Datasets used to train AxoneSystem/Minerva-v0.1

Space using AxoneSystem/Minerva-v0.1 1

Minerva v0.1 🇪🇸

Qué sabe hacer (y qué no)

Ejemplos reales

Cómo usarlo

Con LM Studio u Ollama (sin programar)

Con Python (transformers)

Formato de chat

Cómo se entrenó

Licencia

Datasets used to train AxoneSystem/Minerva-v0.1

Space using AxoneSystem/Minerva-v0.1 1

Con Python (`transformers`)