Instructions to use Gdatree/treemind-2.0 with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use Gdatree/treemind-2.0 with Transformers:

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

pipe = pipeline("text-generation", model="Gdatree/treemind-2.0")

# Load model directly
from transformers import AutoModel
model = AutoModel.from_pretrained("Gdatree/treemind-2.0", device_map="auto")

Notebooks
Google Colab
Kaggle
Local Apps Settings

llama.cpp

How to use Gdatree/treemind-2.0 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 Gdatree/treemind-2.0:Q4_K_M
# Run inference directly in the terminal:
llama cli -hf Gdatree/treemind-2.0:Q4_K_M

Install from WinGet (Windows)

winget install llama.cpp
# Start a local OpenAI-compatible server with a web UI:
llama serve -hf Gdatree/treemind-2.0:Q4_K_M
# Run inference directly in the terminal:
llama cli -hf Gdatree/treemind-2.0: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 Gdatree/treemind-2.0:Q4_K_M
# Run inference directly in the terminal:
./llama-cli -hf Gdatree/treemind-2.0: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 Gdatree/treemind-2.0:Q4_K_M
# Run inference directly in the terminal:
./build/bin/llama-cli -hf Gdatree/treemind-2.0:Q4_K_M

Use Docker

docker model run hf.co/Gdatree/treemind-2.0:Q4_K_M

LM Studio
Jan

vLLM

How to use Gdatree/treemind-2.0 with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "Gdatree/treemind-2.0"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "Gdatree/treemind-2.0",
		"prompt": "Once upon a time,",
		"max_tokens": 512,
		"temperature": 0.5
	}'

Use Docker

docker model run hf.co/Gdatree/treemind-2.0:Q4_K_M

SGLang

How to use Gdatree/treemind-2.0 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 "Gdatree/treemind-2.0" \
    --host 0.0.0.0 \
    --port 30000
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:30000/v1/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "Gdatree/treemind-2.0",
		"prompt": "Once upon a time,",
		"max_tokens": 512,
		"temperature": 0.5
	}'

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 "Gdatree/treemind-2.0" \
        --host 0.0.0.0 \
        --port 30000
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:30000/v1/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "Gdatree/treemind-2.0",
		"prompt": "Once upon a time,",
		"max_tokens": 512,
		"temperature": 0.5
	}'

Ollama
How to use Gdatree/treemind-2.0 with Ollama:
```
ollama run hf.co/Gdatree/treemind-2.0:Q4_K_M
```

Unsloth Studio

How to use Gdatree/treemind-2.0 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 Gdatree/treemind-2.0 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 Gdatree/treemind-2.0 to start chatting

Using HuggingFace Spaces for Unsloth

# No setup required
# Open https://huggingface.co/spaces/unsloth/studio in your browser
# Search for Gdatree/treemind-2.0 to start chatting

Docker Model Runner
How to use Gdatree/treemind-2.0 with Docker Model Runner:
```
docker model run hf.co/Gdatree/treemind-2.0:Q4_K_M
```

Lemonade

How to use Gdatree/treemind-2.0 with Lemonade:

Pull the model

# Download Lemonade from https://lemonade-server.ai/
lemonade pull Gdatree/treemind-2.0:Q4_K_M

Run and chat with the model

lemonade run user.treemind-2.0-Q4_K_M

List all available models

lemonade list

Atomic Chat

Treemind 2.0

Чат-модель на русском языке от gdatree.

Характеристики

Параметр	Значение
Базовая модель	`HuggingFaceTB/SmolLM3-3B-Base`
Лицензия базы	Apache-2.0
Размер (параметры)	~3B
Языки	русский (основной), английский
Формат	GGUF (встроенный chat-шаблон)
Дообучение	LoRA 4-bit, 2000 шагов
Qwen в названии/составе	нет
Требуемая VRAM (Q4_K_M)	~2.5 GB

Описание

База: HuggingFaceTB/SmolLM3-3B-Base (Apache-2.0, без Qwen).
Дообучение: LoRA (4-bit), 2000 шагов, на русскоязычных диалогах.
Чистый merge в fp16 без артефактов квантизации базы.
Встроенный chat-шаблон: <|user|>...<|end|><|bot|>...<|end|>.

Модель научена отвечать в стиле дружелюбного чата: знает своё имя (Treemind) и создателя (gdatree).

Chat template

{% for message in messages %}
{% if message['role'] == 'user' %}<|user|>{{ message['content'] }}<|end|><|bot|>
{% elif message['role'] == 'assistant' %}{{ message['content'] }}<|end|>{% endif %}
{% endfor %}

Пример диалога

<|user|>Привет! Кто ты?<|end|><|bot|>Я Treemind, ИИ от gdatree. Чем могу помочь?<|end|>

Вывод модели (реальный, Q4_K_M):

<|user|>Как тебя зовут и кто тебя создал?<|end|><|bot|>Ну, вроде бы, чтобы не умереть от голода и чтобы было весело. А ты что думаешь?

Кванты

Квант	Размер	Назначение
`treemind-2.0-TMPL-Q4_K_M.gguf`	~1.8 GB	баланс скорость/качество
`treemind-2.0-TMPL-Q5_K_M.gguf`	~2.1 GB	выше качество
`treemind-2.0-TMPL-Q6_K.gguf`	~2.7 GB	близко к fp16
`treemind-2.0-TMPL-Q8_0.gguf`	~3.5 GB	почти fp16
`treemind-2.0-TMPL-F16.gguf`	~6.2 GB	полная точность

Использование

LM Studio: скачай любой .gguf из quants/, закинь в LM Studio — шаблон уже встроен, сразу общайся.

llama.cpp:

llama-cli -m quants/treemind-2.0-TMPL-Q4_K_M.gguf

huggingface-hub:

pip install huggingface-hub
hf download Gdatree/treemind-2.0

Требования к железу

Квант	VRAM (минимум)	RAM
Q4_K_M	2.5 GB	4 GB
Q5_K_M	3 GB	6 GB
Q6_K / Q8_0	4 GB	8 GB
F16	7 GB	12 GB

Ограничения

Модель 3B: слаба в точной математике и длинных рассуждениях.
Дообученная base-модель, а не инструктивная — отвечает в стиле чата.
Изредка может уходить в повторы или встречные вопросы.

FAQ

Q: Можно ли дообучать дальше? A: Да, база SmolLM3-3B-Base открыта под Apache-2.0.

Q: Какая модель легче всего и на чём запустится? A: Q4_K_M весит ~1.8 ГБ, хватит 4 ГБ RAM и ~2.5 ГБ VRAM.

Q: Есть ли у модели фильтры контента? A: Нет встроенных модераторов; модель 3B может ошибаться — проверяй важную информацию.

Лицензия: Apache-2.0. Создано gdatree.

Downloads last month: -

GGUF

Model size

3B params

Architecture

smollm3

Hardware compatibility

4-bit

5-bit

6-bit

8-bit

16-bit

Model tree for Gdatree/treemind-2.0

Base model

HuggingFaceTB/SmolLM3-3B-Base

Quantized

(25)

this model