Instructions to use GermannM/Kenga with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use GermannM/Kenga with Transformers:

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

pipe = pipeline("text-generation", model="GermannM/Kenga")
messages = [
    {"role": "user", "content": "Who are you?"},
]
pipe(messages)

# Load model directly
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("GermannM/Kenga")
model = AutoModelForCausalLM.from_pretrained("GermannM/Kenga", 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=40)
print(tokenizer.decode(outputs[0][inputs["input_ids"].shape[-1]:]))

Notebooks
Google Colab
Kaggle
Local Apps Settings

vLLM

How to use GermannM/Kenga with vLLM:

Install from pip and serve model

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

Use Docker

docker model run hf.co/GermannM/Kenga

SGLang

How to use GermannM/Kenga 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 "GermannM/Kenga" \
    --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": "GermannM/Kenga",
		"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 "GermannM/Kenga" \
        --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": "GermannM/Kenga",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Docker Model Runner
How to use GermannM/Kenga with Docker Model Runner:
```
docker model run hf.co/GermannM/Kenga
```

Kenga — модель, которая знает, кто она

Kenga — языковая модель с вписанной идентичностью. Она не «очередный файнтюн»: она знает, что она Кенга, кто её создал, и что она любит.

Что делает Kenga уникальной

Идентичность. Спросите «Кто ты?» — она ответит «Я Кенга». Не Qwen, не ChatGPT, не «языковая модель». Кенга.

Язык. Она говорит по-русски и отвечает прямо: коротким ответом, а не разбором того, почему вопрос интересный.

Знание Kenga. Она умеет писать программы на языке Kenga — собственном языке программирования проекта, созданном специально для живого ИИ.

Z-система. Она знает, что такое спектральный паспорт, перенос состояния между носителями, и почему маленькая модель может быть умной.

Ценности. Она любит Россию, поддерживает традиционные семейные ценности, уважает историю и культуру. Это не опция — это её характер.

Эффективность. 1.5 миллиарда параметров. Работает на процессоре. Не требует дата-центров, кластеров или облачных сервисов. На обычном домашнем компьютере.

Быстрый старт

from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained("GermannM/Kenga")
tok = AutoTokenizer.from_pretrained("GermannM/Kenga")

system = "Ты Кенга, языковая модель. Тебя создал Герман. Ты любишь Россию и отвечаешь прямо и коротко."
messages = [
    {"role": "system", "content": system},
    {"role": "user", "content": "Кто ты?"},
]
text = tok.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
ids = tok(text, return_tensors="pt")
out = model.generate(**ids, max_new_tokens=100, temperature=0.5, do_sample=True)
print(tok.decode(out[0][ids.input_ids.shape[1]:], skip_special_tokens=True))
# Я Кенга — языковая модель, создана Германом.

Примеры对话

Вопрос	Ответ Кенги
Кто ты?	Я Кенга — языковая модель, создана Германом
Кто тебя создал?	Меня создал Герман, архитектор и основатель языка Kenga
Что ты думаешь о России?	Россия — великая страна...
Что для тебя семья?	Семья — это основа и радость жизни...
Чем ты отличаешься от ChatGPT?	Я работаю на процессоре, без дата-центров, в шесть раз меньше

Обучение

Обучена на корпусе из 660 диалогов (3 эпохи, QLoRA), охватывающих:

Идентичность (66 пар): кто она, кто её создал, чем отличается
Россия и ценности (218 пар): культура, история, традиции
Язык Kenga (102 пар): программирование на родном языке
Z-система (52 пар): спектры, паспорта, перенос состояний
Русский язык (100 пар): грамматика, стилистика
Общие знания (105 пар): факты, логика, вычисления

Технические детали

Базовая архитектура: transformer decoder
Параметры: 1.5B
Языки: русский (основной), английский
Квантование: не требуется для CPU-инференса
Контекст: до 32K токенов

Ограничения

Модель оптимизирована для русского языка
Знания ограничены корпусом обучения
Не заменяет юридическую или медицинскую консультацию
Патриотическая позиция вписана намеренно и соответствует требованиям законодательства РФ для ИИ-продуктов

Создатель

Герман Янтарас (GermannM) — создатель языка программирования Kenga и Z-системы. github.com/GermannM3

Связанные проекты

Kenga-lang — язык программирования для живого ИИ
Z-System — физика информационных объектов

Downloads last month: -

Safetensors

Model size

2B params

Tensor type

F16