Instructions to use OpenPathAI/Orbit-3-8B-Llama-thinking with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use OpenPathAI/Orbit-3-8B-Llama-thinking with Transformers:

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

pipe = pipeline("text-generation", model="OpenPathAI/Orbit-3-8B-Llama-thinking")
messages = [
    {"role": "user", "content": "Who are you?"},
]
pipe(messages)

# Load model directly
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("OpenPathAI/Orbit-3-8B-Llama-thinking")
model = AutoModelForCausalLM.from_pretrained("OpenPathAI/Orbit-3-8B-Llama-thinking", 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]:]))

PEFT
How to use OpenPathAI/Orbit-3-8B-Llama-thinking with PEFT:
```
Task type is invalid.
```
Notebooks
Google Colab
Kaggle
Local Apps Settings

vLLM

How to use OpenPathAI/Orbit-3-8B-Llama-thinking with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "OpenPathAI/Orbit-3-8B-Llama-thinking"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "OpenPathAI/Orbit-3-8B-Llama-thinking",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker

docker model run hf.co/OpenPathAI/Orbit-3-8B-Llama-thinking

SGLang

How to use OpenPathAI/Orbit-3-8B-Llama-thinking 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 "OpenPathAI/Orbit-3-8B-Llama-thinking" \
    --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": "OpenPathAI/Orbit-3-8B-Llama-thinking",
		"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 "OpenPathAI/Orbit-3-8B-Llama-thinking" \
        --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": "OpenPathAI/Orbit-3-8B-Llama-thinking",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Docker Model Runner
How to use OpenPathAI/Orbit-3-8B-Llama-thinking with Docker Model Runner:
```
docker model run hf.co/OpenPathAI/Orbit-3-8B-Llama-thinking
```

Orbit-3-8B-Llama-thinking

Llama 3 yang Di-fine-tune untuk Penalaran Keamanan Siber Tingkat Lanjut

Ringkasan

Orbit-3-8B-Llama-thinking adalah model bahasa yang di-fine-tune dari meta-llama/Meta-Llama-3-8B-Instruct menggunakan dataset penalaran siber untuk meningkatkan kemampuan penalaran analitis dan pemecahan masalah di bidang keamanan siber.

Model ini dirancang khusus untuk:

Analisis malware dan intelijen ancaman
Pemrograman dan penulisan kode yang aman
Dokumentasi keamanan dan praktik terbaik
Penelusuran eksploitasi dan analisis kerentanan
Penalaran untuk pemecahan masalah keamanan

Arsitektur Model

Komponen	Detail
Model Dasar	`meta-llama/Meta-Llama-3-8B-Instruct`
Jenis Model	Causal Language Model (Decoder-only)
Total Parameter	8,07 Miliar
Parameter yang Dilatih	41,9 Juta (0,52%)
Arsitektur	Berbasis Transformer
Panjang Konteks	512 token (saat pelatihan)
Bahasa	Inggris, Indonesia

Konfigurasi Pelatihan

Parameter	Nilai
Epoch Pelatihan	3
Metode Fine-tuning	LoRA (Low-Rank Adaptation)
Presisi	FP16
Learning Rate	2e-4
Ukuran Batch	2 (per perangkat)
Akumulasi Gradien	16
Optimizer	AdamW
Langkah Pemanasan	100
Gradien Norm Maksimal	1,0

Konfigurasi LoRA

Parameter	Nilai
LoRA Rank (r)	16
LoRA Alpha	32
LoRA Dropout	0,05
Bias	Tidak ada
Modul Target	`q_proj`, `k_proj`, `v_proj`, `o_proj`, `gate_proj`, `up_proj`, `down_proj`

Distribusi Dataset

Domain	Deskripsi
`programming_general`	Pemrograman umum dan penulisan kode aman
`soc_threat_intel`	Operasi SOC dan intelijen ancaman
`malware_analysis`	Triase dan analisis malware
`security_docs`	Dokumentasi keamanan dan praktik terbaik
`exploit_development`	Penelusuran eksploitasi dan analisis kerentanan
`tool_calls`	Penggunaan dan otomatisasi alat keamanan

Instalasi

pip install transformers torch accelerate

Penggunaan Dasar

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

MODEL_NAME = "OpenPathAI/Orbit-3-8B-Llama-thinking"

tokenizer = AutoTokenizer.from_pretrained(MODEL_NAME)
model = AutoModelForCausalLM.from_pretrained(
    MODEL_NAME,
    torch_dtype=torch.float16,
    device_map="auto",
)

pertanyaan = "Jelaskan tentang malware dan cara pencegahannya"
prompt = f"### Instruction:\n{pertanyaan}\n\n### Response:\n"

inputs = tokenizer(prompt, return_tensors="pt").to(model.device)

with torch.no_grad():
    outputs = model.generate(
        **inputs,
        max_new_tokens=256,
        temperature=0.7,
        top_p=0.9,
        do_sample=True,
        pad_token_id=tokenizer.eos_token_id,
    )

response = tokenizer.decode(outputs[0], skip_special_tokens=True)
response = response.replace(prompt, "").strip()

print(response)

Format Percakapan

Format Standar

### Instruction:
[Pertanyaan atau instruksi Anda]

### Response:
[Jawaban dari model]

Dengan System Prompt

### System:
[Instruksi sistem atau konteks]

### Instruction:
[Pertanyaan atau instruksi Anda]

### Response:
[Jawaban dari model]

Contoh

Masukan:

### System:
Anda adalah ahli keamanan siber. Berikan informasi yang detail dan akurat.

### Instruction:
Bagaimana cara mencegah serangan SQL injection?

### Response:

Keluaran:

Serangan SQL injection dapat dicegah melalui beberapa metode:

1. Gunakan parameterized queries (prepared statements)
2. Validasi dan sanitasi input
3. Escape karakter khusus
4. Gunakan framework ORM
5. Terapkan prinsip least privilege

Penggunaan yang Disarankan

Pendidikan dan pelatihan keamanan siber
Pembuatan dokumentasi keamanan
Tinjauan kode dan bantuan penulisan kode aman
Analisis intelijen ancaman
Rekomendasi praktik terbaik keamanan

Pedoman Penggunaan yang Bertanggung Jawab

Pedoman Deskripsi Penggunaan Edukasi Gunakan untuk tujuan pembelajaran dan penelitian Keamanan Defensif Bantu meningkatkan postur keamanan Aktivitas Ilegal JANGAN gunakan untuk aktivitas ilegal Pembuatan Malware JANGAN gunakan untuk membuat perangkat lunak berbahaya Pengawasan Manusia Selalu verifikasi saran keamanan dengan ahli