Instructions to use astrla/apolo-korax with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Notebooks
Google Colab
Kaggle
Local Apps Settings

How to use astrla/apolo-korax 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 astrla/apolo-korax:Q4_K_M
# Run inference directly in the terminal:
llama cli -hf astrla/apolo-korax:Q4_K_M

Install from WinGet (Windows)

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

Use Docker

docker model run hf.co/astrla/apolo-korax:Q4_K_M

LM Studio
Jan

vLLM

How to use astrla/apolo-korax with vLLM:

Install from pip and serve model

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

Use Docker

docker model run hf.co/astrla/apolo-korax:Q4_K_M

Ollama
How to use astrla/apolo-korax with Ollama:
```
ollama run hf.co/astrla/apolo-korax:Q4_K_M
```

Unsloth Studio

How to use astrla/apolo-korax 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 astrla/apolo-korax 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 astrla/apolo-korax to start chatting

Using HuggingFace Spaces for Unsloth

# No setup required
# Open https://huggingface.co/spaces/unsloth/studio in your browser
# Search for astrla/apolo-korax to start chatting

How to use astrla/apolo-korax with Pi:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf astrla/apolo-korax:Q4_K_M

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": "astrla/apolo-korax:Q4_K_M"
        }
      ]
    }
  }
}

Run Pi

# Start Pi in your project directory:
pi

OpenClaw new

How to use astrla/apolo-korax with OpenClaw:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf astrla/apolo-korax:Q4_K_M

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 "astrla/apolo-korax:Q4_K_M" \
  --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 astrla/apolo-korax with Docker Model Runner:
```
docker model run hf.co/astrla/apolo-korax:Q4_K_M
```

Lemonade

How to use astrla/apolo-korax with Lemonade:

Pull the model

# Download Lemonade from https://lemonade-server.ai/
lemonade pull astrla/apolo-korax:Q4_K_M

Run and chat with the model

lemonade run user.apolo-korax-Q4_K_M

List all available models

lemonade list

Hermes Agent

How to use astrla/apolo-korax with Hermes Agent:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf astrla/apolo-korax:Q4_K_M

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 astrla/apolo-korax:Q4_K_M

Run Hermes

hermes

Atomic Chat

Apolo Korax

Apolo Korax es un modelo pequeño especializado en la extracción conservadora de requisitos explícitos desde avisos laborales en español.

Este repositorio contiene la distribución GGUF utilizada por el harness Apolo Korax.

Modelo

Base oficial: Qwen/Qwen3.5-4B
Fuente usada para entrenamiento: unsloth/Qwen3.5-4B
Fine-tuning: LoRA
Rank: 8
Alpha: 16
Dropout: 0.05
Épocas: 4
Learning rate: 3e-5
Entrenamiento: BF16/FP16, sin QLoRA
Exportación: LoRA fusionado a 16-bit, convertido a GGUF y cuantizado
Cuantización publicada: Q4_K_M
Modalidad: texto

Aunque el modelo base incluye capacidades multimodales, esta exportación fue producida como un modelo exclusivamente textual. No incluye proyector visual ni debe presentarse como un modelo de visión.

Uso previsto

El modelo está diseñado para:

extraer requisitos explícitos desde avisos laborales;
conservar evidencia textual literal;
generar objetos JSON compatibles con el schema de Apolo;
apoyar pre-etiquetado y revisión humana;
ejecutarse localmente mediante llama.cpp.

Uso no previsto

No debe utilizarse para:

inferir requisitos que no aparecen en el texto;
tomar decisiones de contratación;
predecir empleabilidad individual;
recomendar una única carrera correcta;
reemplazar revisión humana;
procesar imágenes o audio.

Evaluación

En el benchmark inicial sobre un conjunto dev pequeño, la configuración Qwen3.5-4B LoRA r=8 obtuvo:

Evidence F1: 0.2581
Critical error rate: 0.9500
Rendimiento medido en una NVIDIA L4: aproximadamente 101.69 jobs/h

Estos resultados corresponden a un conjunto pequeño y no representan una garantía de desempeño productivo. El modelo todavía presenta diferencias de granularidad y normalización respecto del conjunto gold.

El harness añade validación estructural, constrained decoding, recuperación mecánica y comprobaciones de evidencia. El desempeño del modelo no debe confundirse con el cumplimiento del contrato impuesto por el harness.

Ejecución

llama-server \
  -m apolo-korax-qwen3.5-4b-lora-r08-v0.1.0-Q4_K_M.gguf \
  --reasoning off \
  -c 4096 \
  -t 8 \
  --host 127.0.0.1 \
  --port 8080

Licencia

Este modelo deriva de Qwen/Qwen3.5-4B, publicado bajo Apache License 2.0.

Consulte además la licencia y el model card del modelo base.

Downloads last month: 7

GGUF

Model size

4B params

Architecture

qwen35

Hardware compatibility

4-bit

Model tree for astrla/apolo-korax

Base model

Qwen/Qwen3.5-4B-Base

Finetuned

Qwen/Qwen3.5-4B

Adapter

(479)

this model

astrla
/

apolo-korax

Apolo Korax

Modelo

Archivo

Uso previsto

Uso no previsto

Evaluación

Ejecución

Licencia

Model tree for astrla/apolo-korax