Instructions to use Dimitrex93/neo1.0-3b with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Notebooks
Google Colab
Kaggle
Local Apps Settings

How to use Dimitrex93/neo1.0-3b 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 Dimitrex93/neo1.0-3b:Q4_K_M
# Run inference directly in the terminal:
llama cli -hf Dimitrex93/neo1.0-3b:Q4_K_M

Install from WinGet (Windows)

winget install llama.cpp
# Start a local OpenAI-compatible server with a web UI:
llama serve -hf Dimitrex93/neo1.0-3b:Q4_K_M
# Run inference directly in the terminal:
llama cli -hf Dimitrex93/neo1.0-3b: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 Dimitrex93/neo1.0-3b:Q4_K_M
# Run inference directly in the terminal:
./llama-cli -hf Dimitrex93/neo1.0-3b: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 Dimitrex93/neo1.0-3b:Q4_K_M
# Run inference directly in the terminal:
./build/bin/llama-cli -hf Dimitrex93/neo1.0-3b:Q4_K_M

Use Docker

docker model run hf.co/Dimitrex93/neo1.0-3b:Q4_K_M

LM Studio
Jan

vLLM

How to use Dimitrex93/neo1.0-3b with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "Dimitrex93/neo1.0-3b"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "Dimitrex93/neo1.0-3b",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker

docker model run hf.co/Dimitrex93/neo1.0-3b:Q4_K_M

Ollama
How to use Dimitrex93/neo1.0-3b with Ollama:
```
ollama run hf.co/Dimitrex93/neo1.0-3b:Q4_K_M
```
Unsloth Desktop

How to use Dimitrex93/neo1.0-3b with Pi:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf Dimitrex93/neo1.0-3b: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": "Dimitrex93/neo1.0-3b:Q4_K_M"
        }
      ]
    }
  }
}

Run Pi

# Start Pi in your project directory:
pi

Docker Model Runner
How to use Dimitrex93/neo1.0-3b with Docker Model Runner:
```
docker model run hf.co/Dimitrex93/neo1.0-3b:Q4_K_M
```

Lemonade

How to use Dimitrex93/neo1.0-3b with Lemonade:

Pull the model

# Download Lemonade from https://lemonade-server.ai/
lemonade pull Dimitrex93/neo1.0-3b:Q4_K_M

Run and chat with the model

lemonade run user.neo1.0-3b-Q4_K_M

List all available models

lemonade list

Hermes Agent

How to use Dimitrex93/neo1.0-3b with Hermes Agent:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf Dimitrex93/neo1.0-3b: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 Dimitrex93/neo1.0-3b:Q4_K_M

Run Hermes

hermes

Atomic Chat

OpenClaw

How to use Dimitrex93/neo1.0-3b with OpenClaw:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf Dimitrex93/neo1.0-3b: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 "Dimitrex93/neo1.0-3b: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"

Neo 1.0:3b

Neo ist ein feingetuntes Qwen2.5-3B-Instruct (QLoRA) für den Homelab-/DevOps-Einsatz mit Schwerpunkt Deutsch — trainiert auf einer NVIDIA P2000 (5 GB, Pascal).

Der Name steht für „Neue Version" (νέος) — ein Modell, das gezielt für reale Server-Administration, Docker, Linux, Netzwerktechnik, Python/C++ und deutsche Grammatik optimiert wurde.

📊 Training

Eigenschaft	Wert
Basismodell	Qwen/Qwen2.5-3B-Instruct (fp16)
Methode	QLoRA (r=16, α=32, dropout 0.05)
Quantisierung	NF4 (4-bit, bitsandbytes 0.43.3)
Epochen	3
Sequenzlänge	512
Samples	1.644 (84 → 20× erweitert)
Hardware	NVIDIA P2000 5 GB, ~6,5 h
Framework	Axolotl 0.4.0, torch 2.2.2, transformers 4.37.0

Trainingsdaten (Runde 1)

Benchmark-SFT: 84 Fragen aus eigenem LLM-Benchmark (MC + offene Fragen, Halluzinations-Kategorien)
Code: the-stack-smol (Python, C, C++, Dockerfile), code_search_net (Python)
Linux/Docker/Doku: tldr-pages, docker-docs, RFCs (DHCP, TCP, HTTP/1.1, TLS 1.3)
Foren: german.stackexchange, StackOverflow (Deutsch/Technik)
Deutsch: Second-Brain-Wiki, deutsche Grammatik
GitHub-Issues: docker/cli, docker/compose, moby/moby, ollama

🥊 Benchmark-Ergebnisse (eigener Test, 84 Fragen)

Modell	Punkte
Qwen2.5-3B (Basis)	92/168 (55%)
Neo 1.0:3b	104/168 (62%)

Generalisierungs-Test (50 unbekannte Fragen — nicht im Training):

Modell	Punkte
Qwen2.5-3B (Basis)	57/104 (55%)
Neo 1.0:3b	74/104 (71%)

Besonders stark: Linux (+33 pp), C++ (+29 pp), Netzwerktechnik (+20 pp), zahlen-falle (+57 pp).

🚀 Nutzung

Über Ollama (empfohlen)

# Modell direkt von HuggingFace laden
ollama run hf.co/<dein-username>/neo1.0-3b

# Oder: GGUF herunterladen und lokal registrieren
ollama create neo1.0:3b -f Modelfile

Direkt mit llama.cpp / GGUF

# GGUF-Dateien herunterladen
wget https://huggingface.co/<dein-username>/neo1.0-3b/resolve/main/neo-1.0-3b-Q4_K_M.gguf

# Mit llama.cpp ausführen
./llama-cli -m neo-1.0-3b-Q4_K_M.gguf -p "Deine Frage..."

Chat-Template

Qwen2.5-ChatML:

<|im_start|>system
Du beantwortest technische Fragen korrekt und ohne zu erfinden.<|im_end|>
<|im_start|>user
{Frage}<|im_end|>
<|im_start|>assistant

💬 Feedback & Verbesserungen

Dein Feedback ist willkommen! Nutze die Discussions um:

Fehler / Halluzinationen zu melden (mit Beispiel!)
Themenwünsche für die nächste Version zu nennen
Verbesserungen vorzuschlagen

Jeder Vorschlag fließt in die Daten für Neo 1.2:3b ein.

📁 Dateien

Datei	Größe	Zweck
neo-1.0-3b-Q4_K_M.gguf	~1,9 GB	Empfohlene Quantisierung für Ollama/llama.cpp
neo-1.0-3b-f16.gguf	~6,2 GB	Volle Genauigkeit (falls benötigt)

⚠️ Hinweise

Kleines Modell (3B): erwartet eine solide Basis für Homelab-/DevOps-Fragen, keine universelle Intelligenz
Trainiert auf begrenzten Daten (1.644 Samples) — Grammatik und Themen außerhalb des Korpus können schwächeln
Die Bewertung erfolgte über einen eigenen, domänenspezifischen Benchmark (nicht MMLU etc.)

Downloads last month: -

GGUF

Model size

3B params

Architecture

qwen2

Hardware compatibility

4-bit

16-bit

Model tree for Dimitrex93/neo1.0-3b

Base model

Qwen/Qwen2.5-3B

Finetuned

Qwen/Qwen2.5-3B-Instruct

Quantized

(271)

this model