Instructions to use mazz92/mazz-models with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Notebooks
Google Colab
Kaggle
Local Apps Settings

How to use mazz92/mazz-models 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 mazz92/mazz-models:Q4_K_M
# Run inference directly in the terminal:
llama cli -hf mazz92/mazz-models:Q4_K_M

Install from WinGet (Windows)

winget install llama.cpp
# Start a local OpenAI-compatible server with a web UI:
llama serve -hf mazz92/mazz-models:Q4_K_M
# Run inference directly in the terminal:
llama cli -hf mazz92/mazz-models: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 mazz92/mazz-models:Q4_K_M
# Run inference directly in the terminal:
./build/bin/llama cli -hf mazz92/mazz-models:Q4_K_M

Use Docker

docker model run hf.co/mazz92/mazz-models:Q4_K_M

Llama new
LM Studio
Jan

vLLM

How to use mazz92/mazz-models with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "mazz92/mazz-models"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "mazz92/mazz-models",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker

docker model run hf.co/mazz92/mazz-models:Q4_K_M

Ollama
How to use mazz92/mazz-models with Ollama:
```
ollama run hf.co/mazz92/mazz-models:Q4_K_M
```
Unsloth Desktop

How to use mazz92/mazz-models with Pi:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf mazz92/mazz-models: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": "mazz92/mazz-models:Q4_K_M"
        }
      ]
    }
  }
}

Run Pi

# Start Pi in your project directory:
pi

Docker Model Runner
How to use mazz92/mazz-models with Docker Model Runner:
```
docker model run hf.co/mazz92/mazz-models:Q4_K_M
```

Lemonade

How to use mazz92/mazz-models with Lemonade:

Pull the model

# Download Lemonade from https://lemonade-server.ai/
lemonade pull mazz92/mazz-models:Q4_K_M

Run and chat with the model

lemonade run user.mazz-models-Q4_K_M

List all available models

lemonade list

Hermes Agent

How to use mazz92/mazz-models with Hermes Agent:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf mazz92/mazz-models: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 mazz92/mazz-models:Q4_K_M

Run Hermes

hermes

Atomic Chat

OpenClaw

How to use mazz92/mazz-models with OpenClaw:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf mazz92/mazz-models: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 "mazz92/mazz-models: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"

MAZZ ÆNGENIUM — Flotte de Modèles Souverains & Chirurgicaux

Bienvenue sur le dépôt officiel de la suite neuronale souveraine MAZZ ÆNGENIUM.

Auteur & Concepteur : Eren Tipirdamaz
Organisation : MAZZ ÆNGENIUM (Living Engineering : le vivant inspire, l'ingénierie donne forme)
Application hôte : MAZZ Code (https://github.com/mazzadev92/mazz-code)
Licence : Apache-2.0

🏛️ Cartographie de la Flotte Souveraine & Éditions Chirurgicales

                     ┌─────────────────────────────────────────────────────────┐
                     │     MAZZ-TECHNOS-APEXCODER-70B-SURGICAL (39.60 Go)      │
                     │  Fusion Arcee Nemotron-70B + Llama-3.3-70B Abliterated  │
                     └────────────────────────────┬────────────────────────────┘
                                                  │
              ┌───────────────────────────────────┴───────────────────────────────────┐
              │                                                                       │
 ┌────────────▼──────────────────────────────┐          ┌─────────────────────────────▼──────────────────────────────┐
 │ MAZZ-TECHNOS-TITANCODER-32B-SURGICAL (18.5Go) │          │  MAZZ-TECHNOS-CODER-32B & TITAN-32B-COT (18.49 Go)         │
 │ Fusion 90/10 DeepSeek-R1 + Qwen2.5-Coder  │          │  Champions Inférence & Chaîne de Pensée Unitaire          │
 └────────────┬──────────────────────────────┘          └─────────────────────────────┬──────────────────────────────┘
              │                                                                       │
              ├───────────────────────────────────┬───────────────────────────────────┤
              │                                   │                                   │
 ┌────────────▼──────────────┐       ┌────────────▼──────────────┐       ┌────────────▼──────────────┐
 │ MAZZ-TECHNOS-BASE-4B      │       │ MAZZ-TECHNOS-VISION-FLUX  │       │ MAZZ-TECHNOS-MOTION-WAN   │
 │ Polyvalent CPU (2.52 Go)  │       │ Génération Image (6.31 Go)│       │ Génération Vidéo (1.43 Go)│
 └────────────┬──────────────┘       └───────────────────────────┘       └───────────────────────────┘
              │
 ┌────────────▼──────────────────────────────────────────────┐
 │ MAZZ-TECHNOS-DRAFT-0.8B-SURGICAL (0.76 Go)                │
 │ 🔬 Weight-Space Programming MIT CSAIL (Down-Proj Patching)│
 │ MATH: 7.9% ➔ 48.1% | GSM8K: 13.8% ➔ 67.1% | Zéro Boucle │
 └───────────────────────────────────────────────────────────┘

🔬 La Gamme Chirurgicale MAZZ (Model Surgery & Weight-Space Programming)

Mazz-Technos-Draft-0.8B-Surgical.Q8_0.gguf (0,76 Go)
- Base : Qwen3.5-0.8B Abliterated.
- Innovation : Intègre la méthode révolutionnaire du MIT CSAIL (Sparks of Weight-Space Programming, Takehi & Khattab).
- Intervention : Modification ciblée de 64 colonnes dans les matrices down_proj des couches 15 et 19 (0,016% des paramètres édités sans gradient descent).
- Gains : MATH-500 (7,9 % ➔ 48,1 %), GSM8K (13,8 % ➔ 67,1 %), IFEval (21,0 % ➔ 62,3 %), blocages en boucle réduits de 93,0 % à 33,1 %.
Mazz-Technos-TitanCoder-32B-Surgical.Q4_K_M.gguf (18,49 Go)
- Base : Fusion chirurgicale pondérée 90/10 entre DeepSeek-R1-Distill-Qwen-32B (capacité de raisonnement pur et réflexion interne <thought>) et Qwen2.5-Coder-32B-Instruct (synthèse de code, refactoring et complétion AST).
- Caractéristiques : Raisonnement déductif autonome combiné à une précision d'exécution de code chirurgicale, entièrement non censuré.
Mazz-Technos-ApexCoder-70B-Surgical.Q4_K_M.gguf (39,60 Go)
- Base : Fusion chirurgicale Arcee entre Nvidia Nemotron-70B et Meta Llama-3.3-70B Abliterated.
- Caractéristiques : Le sommet absolu de la flotte MAZZ. Analyse contextuelle massive, architecture logicielle distribuée, audits de sécurité et refactorings de dépôts complexes.

🟢 Tier 1 : Grand Public & CPU Local (Edge Sovereign)

Mazz-Technos-Draft-0.8B-Surgical.Q8_0.gguf (0,76 Go) : Modèle chirurgical ultra-rapide (>40 tok/s), raisonnement aiguisé sans boucles.
Mazz-Technos-Base-4B.Q4_K_M.gguf (2,52 Go) : Polyvalent grand public pour PC portables et CPU standards (4-6 tok/s).

🔵 Tier 2 : Fleurons Ingénierie & Raisonnement (Station de Travail)

Mazz-Technos-TitanCoder-32B-Surgical.Q4_K_M.gguf (18,49 Go) : Fusion chirurgicale Raisonnement R1 + Ingénierie Coder.
Mazz-Technos-Coder-32B.Q4_K_M.gguf (18,49 Go) : Champion du code, refactoring chirurgical, tool-calling et zéro refus.
Mazz-Technos-Titan-32B-CoT.Q4_K_M.gguf (18,49 Go) : Raisonnement scientifique profond avec blocs <thought> (Chain-of-Thought).

🟣 Tier 3 : Création Multimodale Souveraine

Mazz-Technos-Vision-Flux.Q4_0.gguf (6,31 Go) : Génération d'images photoréalistes en 4 étapes (FLUX.1-schnell 12B).
Mazz-Technos-Motion-Wan.Q8_0.gguf (1,43 Go) : Génération vidéo cinématique fluide (Wan 2.1 1.3B).

🔴 Tier 4 : Sommet Cognitif & Architecture

Mazz-Technos-ApexCoder-70B-Surgical.Q4_K_M.gguf (39,60 Go) : Le supercalculateur cognitif pour l'analyse de dépôts volumineux.

💻 Intégration dans MAZZ Code

# Lancement direct via MAZZ CLI :
mazz start --model Mazz-Technos-TitanCoder-32B-Surgical.Q4_K_M.gguf

Conçu avec rigueur par Eren Tipirdamaz pour l'écosystème MAZZ ÆNGENIUM.

Downloads last month: 7

GGUF

Model size

71B params

Architecture

llama

Hardware compatibility

4-bit

8-bit