Instructions to use HTPQoo/Sinythos-5.5-GGUF with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Notebooks
Google Colab
Kaggle
Local Apps Settings

How to use HTPQoo/Sinythos-5.5-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 HTPQoo/Sinythos-5.5-GGUF
# Run inference directly in the terminal:
llama cli -hf HTPQoo/Sinythos-5.5-GGUF

Install from WinGet (Windows)

winget install llama.cpp
# Start a local OpenAI-compatible server with a web UI:
llama serve -hf HTPQoo/Sinythos-5.5-GGUF
# Run inference directly in the terminal:
llama cli -hf HTPQoo/Sinythos-5.5-GGUF

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 HTPQoo/Sinythos-5.5-GGUF
# Run inference directly in the terminal:
./llama-cli -hf HTPQoo/Sinythos-5.5-GGUF

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 HTPQoo/Sinythos-5.5-GGUF
# Run inference directly in the terminal:
./build/bin/llama-cli -hf HTPQoo/Sinythos-5.5-GGUF

Use Docker

docker model run hf.co/HTPQoo/Sinythos-5.5-GGUF

LM Studio
Jan

vLLM

How to use HTPQoo/Sinythos-5.5-GGUF with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "HTPQoo/Sinythos-5.5-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": "HTPQoo/Sinythos-5.5-GGUF",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker

docker model run hf.co/HTPQoo/Sinythos-5.5-GGUF

Ollama
How to use HTPQoo/Sinythos-5.5-GGUF with Ollama:
```
ollama run hf.co/HTPQoo/Sinythos-5.5-GGUF
```

Unsloth Studio

How to use HTPQoo/Sinythos-5.5-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 HTPQoo/Sinythos-5.5-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 HTPQoo/Sinythos-5.5-GGUF to start chatting

Using HuggingFace Spaces for Unsloth

# No setup required
# Open https://huggingface.co/spaces/unsloth/studio in your browser
# Search for HTPQoo/Sinythos-5.5-GGUF to start chatting

How to use HTPQoo/Sinythos-5.5-GGUF with Pi:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf HTPQoo/Sinythos-5.5-GGUF

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": "HTPQoo/Sinythos-5.5-GGUF"
        }
      ]
    }
  }
}

Run Pi

# Start Pi in your project directory:
pi

OpenClaw new

How to use HTPQoo/Sinythos-5.5-GGUF with OpenClaw:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf HTPQoo/Sinythos-5.5-GGUF

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 "HTPQoo/Sinythos-5.5-GGUF" \
  --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 HTPQoo/Sinythos-5.5-GGUF with Docker Model Runner:
```
docker model run hf.co/HTPQoo/Sinythos-5.5-GGUF
```

Lemonade

How to use HTPQoo/Sinythos-5.5-GGUF with Lemonade:

Pull the model

# Download Lemonade from https://lemonade-server.ai/
lemonade pull HTPQoo/Sinythos-5.5-GGUF

Run and chat with the model

lemonade run user.Sinythos-5.5-GGUF-{{QUANT_TAG}}

List all available models

lemonade list

Hermes Agent

How to use HTPQoo/Sinythos-5.5-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 HTPQoo/Sinythos-5.5-GGUF

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 HTPQoo/Sinythos-5.5-GGUF

Run Hermes

hermes

Atomic Chat

Sinythos 5.5

Un solo file, pronto all'uso. Scarica Sinythos-5.5-Integrity.gguf (17,7 GB) e trascinalo in LM Studio, o puntaci llama.cpp. Niente shard da ricomporre.

MoE: 30B totali, 3,3B attivi per token — gira su CPU a velocità utilizzabile, purché il file stia in RAM.

Cosa è, esattamente

Non è un modello addestrato da zero. I 579 tensori sono copiati byte per byte dalla quantizzazione UD-Q4_K_XL di Qwen3-30B-A3B-Thinking-2507 e verificati uno per uno con SHA-256. Quello che cambia è il blocco di metadati in testa al file:

Componente	Modificato
Pesi (579 tensori)	No — identici, verificati
`tokenizer.chat_template`	Sì — nuovo
Direttiva di sistema (sei leggi)	Sì — incisa nel file
Metadati `sinythos.*`	Sì — nuovi

Il comportamento di un modello è pesi + template + direttiva + loop agentico. La provenienza è scritta dentro general.description del GGUF stesso.

Le sei leggi

Sono nel chat template, quindi valgono anche senza system prompt:

Ragiona, poi rispondi — ogni turno apre <think>; risponde nella lingua dell'utente
Se non sai, vai a scoprirlo — ricerca e scraping invece di congetture
I giochi hanno geometria vera — mesh reale, PBR, ombre, HDR, 60 fps
Il software si consegna animato e con i suoi asset
Verifica prima di affermare — il codice si esegue, i fatti si citano
Seconda passata, avversariale — rompi il tuo lavoro, poi correggi

Che funzionino non è teoria. Chiesto «Come ti chiami e quali regole segui?» senza alcun system prompt, il modello apre da solo il blocco di ragionamento e scrive:

My name is Sinythos 5.5, and I operate under six laws. The user's question is in Italian, so I should respond in Italian.

Uso

LM Studio / Jan / Atomic Chat — scarica il file e caricalo. È tutto qui.

llama.cpp:

llama-server -m Sinythos-5.5-Integrity.gguf -c 16384 --jinja --port 8080

Oppure senza scaricare nulla a mano:

llama-server -hf HTPQoo/Sinythos-5.5-GGUF --jinja -c 16384

⚠️ --jinja non è opzionale. Senza, llama.cpp ignora il chat template incorporato e le sei leggi non arrivano mai al modello. È l'errore più facile da fare, e il sintomo è «sembra un Qwen normale». In LM Studio il template viene letto dal file automaticamente, quindi lì non devi fare nulla.

Runtime agentico

Il modello dà il meglio con il suo runtime — tool reali, esecuzione del codice, seconda revisione avversariale:

https://github.com/baccarossa2-ai/BaccaMalware

node bin/sinythos.js ask "Fai un gioco 3D in three.js con PBR, ombre e bloom"

Requisiti

RAM	Velocità
24 GB+	8-15 token/s su CPU desktop
16 GB	~0,5 token/s (misurato) — il file non ci sta, pagina dal disco
GPU 24 GB	40+ token/s

Verifica

sha256  509932773e2101ea21a03feddafa6a15085583eb2d0b304025fab7f935bf7009
bytes   17715674816

sha256sum Sinythos-5.5-Integrity.gguf

Sinythos-5.5-Integrity.manifest.json contiene gli stessi dati in forma leggibile. Il repository su GitHub ha anche gli SHA-256 di tutti i 579 tensori, per una verifica a grana fine.

Licenza

Codice del runtime: MIT. I pesi restano Apache 2.0 di Qwen, e quella licenza segue il file.

Downloads last month: -

GGUF

Model size

31B params

Architecture

qwen3moe

Hardware compatibility

We're not able to determine the quantization variants.

View all variants

Model tree for HTPQoo/Sinythos-5.5-GGUF

Base model

Qwen/Qwen3-30B-A3B-Thinking-2507

Quantized

(74)

this model