Instructions to use OpenPathAI/Orbit-3-VL-Flash with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use OpenPathAI/Orbit-3-VL-Flash with Transformers:

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

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

# Load model directly
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("OpenPathAI/Orbit-3-VL-Flash")
model = AutoModelForCausalLM.from_pretrained("OpenPathAI/Orbit-3-VL-Flash", 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-VL-Flash with PEFT:
```
Task type is invalid.
```
Notebooks
Google Colab
Kaggle
Local Apps Settings

vLLM

How to use OpenPathAI/Orbit-3-VL-Flash with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "OpenPathAI/Orbit-3-VL-Flash"
# 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-VL-Flash",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker

docker model run hf.co/OpenPathAI/Orbit-3-VL-Flash

SGLang

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

Docker Model Runner
How to use OpenPathAI/Orbit-3-VL-Flash with Docker Model Runner:
```
docker model run hf.co/OpenPathAI/Orbit-3-VL-Flash
```

Orbit-3-VL-Flash

Model Bahasa Hukum Indonesia berbasis Qwen3 yang di-fine-tune untuk menjawab pertanyaan seputar hukum, peraturan di Indonesia, dan pertanyaan umum.

Ringkasan

Orbit-3-VL-Flash adalah model bahasa yang di-fine-tune dari Qwen/Qwen3-4B-Instruct-2507 menggunakan dataset tanya jawab hukum Indonesia. Model ini dirancang untuk memberikan jawaban yang informatif dan terstruktur seputar topik hukum, peraturan perundang-undangan, dan permasalahan legal yang umum di Indonesia.

Model ini dikembangkan untuk membantu:

Menjawab pertanyaan hukum umum
Memberikan penjelasan tentang peraturan perundang-undangan
Membantu memahami istilah-istilah hukum
Memberikan referensi awal terkait permasalahan hukum
Membantu penyelesaian dan penalaran masalah umum

Arsitektur Model

Komponen	Detail
Model Dasar	`Qwen/Qwen3-4B-Instruct-2507`
Jenis Model	Causal Language Model (Decoder-only)
Total Parameter	4 Miliar
Metode Fine-tuning	LoRA (Low-Rank Adaptation)
Presisi	FP16
Panjang Konteks	512 token (saat pelatihan)
Bahasa	Indonesia, Inggris

Konfigurasi Pelatihan

Parameter	Nilai
Dataset	`biznetgio/indonesia-law-qa-embeddings`
Epoch Pelatihan	3
Learning Rate	2e-4
Ukuran Batch	2 (per perangkat)
Akumulasi Gradien	16
Optimizer	AdamW
Maksimal Sequence Length	512 token

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`

Panduan Penggunaan

Instalasi

pip install transformers torch accelerate

Penggunaan Dasar

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

MODEL_NAME = "OpenPathAI/Orbit-3-VL-Flash"

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

# Format prompt
pertanyaan = "Apa saja syarat sah sebuah perjanjian menurut hukum Indonesia?"
prompt = f"### Instruction:\n{pertanyaan}\n\n### Response:\n"

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

# Generate jawaban
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 hukum Anda]

### Response:
[Jawaban dari model]

Contoh

Masukan:

### Instruction:
Bagaimana proses pembuatan PT di Indonesia?

### Response:

Keluaran:

Proses pembuatan PT (Perseroan Terbatas) di Indonesia meliputi beberapa tahap:

1. Persiapan dokumen
2. Pengajuan nama PT ke Kemenkumham
3. Pembuatan akta notaris
4. Pengesahan dari Kemenkumham
5. Pendaftaran NPWP
...

Kasus Penggunaan

Penggunaan yang Disarankan

Edukasi dan pembelajaran hukum
Asisten penelitian hukum awal
Penjelasan istilah dan konsep hukum
Referensi awal peraturan perundang-undangan

Keterbatasan

Keterbatasan Deskripsi Bukan Pengganti Konsultasi Hukum Model ini tidak menggantikan nasihat hukum profesional Akurasi Informasi Mungkin menghasilkan informasi yang tidak akurat atau usang Perubahan Regulasi Hukum dan peraturan dapat berubah sewaktu-waktu Cakupan Terbatas Mungkin tidak mencakup semua aspek hukum yang spesifik

Pertimbangan Etis

Pedoman Penggunaan yang Bertanggung Jawab

Pedoman Deskripsi Edukasi Gunakan untuk tujuan pembelajaran dan penelitian Verifikasi Selalu verifikasi jawaban dengan sumber hukum resmi Profesional Konsultasikan dengan ahli hukum untuk keputusan penting Tidak Menyalahgunakan Jangan gunakan untuk memberikan nasihat hukum ilegal

Disclaimer

Model ini dikembangkan untuk tujuan edukasi dan penelitian. Jawaban yang dihasilkan oleh model ini bukan merupakan nasihat hukum resmi. Selalu konsultasikan permasalahan hukum Anda dengan advokat atau konsultan hukum yang berkompeten.

Lisensi

Model ini dilisensikan di bawah Apache License 2.0. Lihat LICENSE untuk detail lebih lanjut.

Sitasi

Jika Anda menggunakan model ini dalam penelitian, silakan sitasi:

@misc{orbit-qwen3-4b-law-indonesia,
  author = {Tim OpenPathAI},
  title = {Orbit-Qwen3-4B-Law-Indonesia: Model Bahasa Hukum Indonesia berbasis Qwen3},
  year = {2026},
  publisher = {Hugging Face},
  howpublished = {\url{https://huggingface.co/OpenPathAI/Orbit-Qwen3-4B-Law-Indonesia}}
}