Instructions to use common-degradation/comrade-mini-4b-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 common-degradation/comrade-mini-4b-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 common-degradation/comrade-mini-4b-gguf:Q4_K_M
# Run inference directly in the terminal:
llama cli -hf common-degradation/comrade-mini-4b-gguf:Q4_K_M

Install from WinGet (Windows)

winget install llama.cpp
# Start a local OpenAI-compatible server with a web UI:
llama serve -hf common-degradation/comrade-mini-4b-gguf:Q4_K_M
# Run inference directly in the terminal:
llama cli -hf common-degradation/comrade-mini-4b-gguf:Q4_K_M

Build from source code

git clone https://github.com/ggml-org/llama.cpp.git
cd llama.cpp
cmake -B build
cmake --build build -j --target llama-app
# Start a local OpenAI-compatible server with a web UI:
./build/bin/llama serve -hf common-degradation/comrade-mini-4b-gguf:Q4_K_M
# Run inference directly in the terminal:
./build/bin/llama cli -hf common-degradation/comrade-mini-4b-gguf:Q4_K_M

Use Docker

docker model run hf.co/common-degradation/comrade-mini-4b-gguf:Q4_K_M

Llama new
LM Studio
Jan
Ollama
How to use common-degradation/comrade-mini-4b-gguf with Ollama:
```
ollama run hf.co/common-degradation/comrade-mini-4b-gguf:Q4_K_M
```
Unsloth Desktop

How to use common-degradation/comrade-mini-4b-gguf with Pi:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf common-degradation/comrade-mini-4b-gguf:Q4_K_M

Configure the model in Pi

# Install Pi:
npm install -g @earendil-works/pi-coding-agent
# Add to ~/.pi/agent/models.json:
{
  "providers": {
    "llama-cpp": {
      "baseUrl": "http://localhost:8080/v1",
      "api": "openai-completions",
      "apiKey": "none",
      "models": [
        {
          "id": "common-degradation/comrade-mini-4b-gguf:Q4_K_M"
        }
      ]
    }
  }
}

Run Pi

# Start Pi in your project directory:
pi

Docker Model Runner
How to use common-degradation/comrade-mini-4b-gguf with Docker Model Runner:
```
docker model run hf.co/common-degradation/comrade-mini-4b-gguf:Q4_K_M
```

Lemonade

How to use common-degradation/comrade-mini-4b-gguf with Lemonade:

Pull the model

# Download Lemonade from https://lemonade-server.ai/
lemonade pull common-degradation/comrade-mini-4b-gguf:Q4_K_M

Run and chat with the model

lemonade run user.comrade-mini-4b-gguf-Q4_K_M

List all available models

lemonade list

Hermes Agent

How to use common-degradation/comrade-mini-4b-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 common-degradation/comrade-mini-4b-gguf: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 common-degradation/comrade-mini-4b-gguf:Q4_K_M

Run Hermes

hermes

Atomic Chat

OpenClaw

How to use common-degradation/comrade-mini-4b-gguf with OpenClaw:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf common-degradation/comrade-mini-4b-gguf: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 "common-degradation/comrade-mini-4b-gguf: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"

🧠 Comrade Mini

Локальный ИИ-помощник для документов, текстов, планирования и работы с информацией.

Comrade Mini — экспериментальный проект на базе Qwen3-4B, адаптированный для работы с текстом и документами. Он запускается локально на Apple Silicon через Ollama, а обучение адаптера выполняется с помощью MLX-LM.

Главная идея: личный ИИ-помощник, который помогает разбираться в документах, извлекать факты, составлять планы и редактировать тексты — без необходимости отправлять каждую задачу во внешний облачный сервис.

✨ Возможности

Comrade Mini разрабатывается для следующих задач:

📄 Ответы на вопросы по тексту документов.
🔎 Извлечение дат, сумм, имён и других фактов.
✍️ Редактирование и улучшение текстов.
🗂️ Составление сводок, инструкций и рабочих заметок.
📅 Планирование задач и структурирование информации.
🧩 Пошаговые рассуждения с последующим итоговым ответом.
🔒 Локальная обработка данных после установки модели.

Важно: проект находится в экспериментальной стадии. Качество зависит от модели, обучающих данных, точности OCR и формулировки запроса. Результаты необходимо проверять, особенно если речь идёт о юридических, финансовых или иных важных документах.

🏗 Как всё устроено

Компонент	Назначение
Qwen3-4B	Базовая языковая модель
MLX-LM	Локальное обучение на Apple Silicon
LoRA	Компактный адаптер, обученный на примерах
GGUF	Формат модели для запуска в Ollama
Q4_K_M	Квантованный формат для более экономного использования памяти
Ollama	Запуск модели и взаимодействие с ней

Путь модели:

Qwen3-4B
    │
    ▼
Обучение LoRA на DocVQA
    │
    ▼
Адаптер
    │
    ▼
Объединение адаптера с моделью
    │
    ▼
GGUF F16
    │
    ▼
GGUF Q4_K_M
    │
    ▼
Ollama
    │
    ▼
Comrade Mini

💻 Требования

Текущая конфигурация разработки:

Компьютер: MacBook с Apple Silicon.
Память: 16 ГБ unified memory.
Система: macOS.
Архитектура: arm64.
Python: 3.14.6 в текущей среде.
MLX-LM: 0.31.3.
Ollama: 0.32.15.

Эти версии описывают текущую конфигурацию проекта, а не обязательные минимальные требования для всех установок.

Понадобятся:

Для обучения рекомендуется Apple Silicon Mac. Для запуска готовой GGUF-модели требования отличаются.

🚀 Установка

1. Проверь инструменты

Открой Terminal и выполни:

uname -m
python3 --version
ollama --version
git --version

На Apple Silicon ожидаемая архитектура — arm64.

Если Ollama ещё не установлена, скачай её с официального сайта:

https://ollama.com/download

2. Создай структуру проекта

mkdir -p ~/comrade-mini/{models,adapters,data}
cd ~/comrade-mini

Папка ~ означает домашнюю директорию текущего пользователя.

3. Подготовь Python-окружение

cd ~/comrade-mini

python3 -m venv .venv
source .venv/bin/activate

python -m pip install --upgrade pip
python -m pip install mlx-lm

Проверь установку:

python -m mlx_lm.lora --help
python -m mlx_lm.fuse --help

Если MLX-LM уже установлен в рабочем окружении проекта, не нужно повторно устанавливать всё без необходимости.

4. Подготовь llama.cpp

Если llama.cpp ещё не клонирован:

cd ~/comrade-mini

git clone --depth 1 \
  https://github.com/ggml-org/llama.cpp.git \
  llama.cpp

Установи CMake через Homebrew, если он отсутствует:

brew install cmake

Собери утилиту квантования:

cd ~/comrade-mini/llama.cpp

cmake -B build
cmake --build build --config Release \
  --target llama-quantize -j 4

После сборки бинарный файл должен находиться здесь:

~/comrade-mini/llama.cpp/build/bin/llama-quantize

📚 Подготовка данных

Для первого эксперимента используется набор DocVQA — примеры вопросов и ответов по документам.

Он содержит документы, OCR-текст, вопросы и эталонные ответы.

Текущий набор данных

Файл	Примеров	Назначение
`train.jsonl`	814	Обучение
`valid.jsonl`	90	Проверка во время разработки
`test.jsonl`	200	Финальная оценка
`train_review.jsonl`	96	Примеры, требующие проверки

Данные хранятся в:

~/comrade-mini/data/docvqa/

Подготовленный набор для MLX-LM находится в:

~/comrade-mini/data/docvqa/mlx_ready/

Как устроен пример

Каждая строка JSONL содержит один диалог:

{
  "messages": [
    {
      "role": "system",
      "content": "

Downloads last month: 69

GGUF

Model size

4B params

Architecture

qwen3

Hardware compatibility

4-bit

Inference Providers NEW

This model isn't deployed by any Inference Provider. 🙋 Ask for provider support

Model tree for common-degradation/comrade-mini-4b-gguf

Base model

Qwen/Qwen3-4B-Base

Finetuned

Qwen/Qwen3-4B

Quantized

(368)

this model