Instructions to use mindchain/imajev-2b-full-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 mindchain/imajev-2b-full-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 mindchain/imajev-2b-full-GGUF:Q4_K_M
# Run inference directly in the terminal:
llama cli -hf mindchain/imajev-2b-full-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 mindchain/imajev-2b-full-GGUF:Q4_K_M
# Run inference directly in the terminal:
llama cli -hf mindchain/imajev-2b-full-GGUF: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 mindchain/imajev-2b-full-GGUF:Q4_K_M
# Run inference directly in the terminal:
./llama-cli -hf mindchain/imajev-2b-full-GGUF: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 mindchain/imajev-2b-full-GGUF:Q4_K_M
# Run inference directly in the terminal:
./build/bin/llama-cli -hf mindchain/imajev-2b-full-GGUF:Q4_K_M

Use Docker

docker model run hf.co/mindchain/imajev-2b-full-GGUF:Q4_K_M

LM Studio
Jan

vLLM

How to use mindchain/imajev-2b-full-GGUF with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "mindchain/imajev-2b-full-GGUF"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "mindchain/imajev-2b-full-GGUF",
		"messages": [
			{
				"role": "user",
				"content": [
					{
						"type": "text",
						"text": "Describe this image in one sentence."
					},
					{
						"type": "image_url",
						"image_url": {
							"url": "https://cdn.britannica.com/61/93061-050-99147DCE/Statue-of-Liberty-Island-New-York-Bay.jpg"
						}
					}
				]
			}
		]
	}'

Use Docker

docker model run hf.co/mindchain/imajev-2b-full-GGUF:Q4_K_M

Ollama
How to use mindchain/imajev-2b-full-GGUF with Ollama:
```
ollama run hf.co/mindchain/imajev-2b-full-GGUF:Q4_K_M
```
Unsloth Desktop

How to use mindchain/imajev-2b-full-GGUF with Pi:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf mindchain/imajev-2b-full-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": "mindchain/imajev-2b-full-GGUF:Q4_K_M"
        }
      ]
    }
  }
}

Run Pi

# Start Pi in your project directory:
pi

Docker Model Runner
How to use mindchain/imajev-2b-full-GGUF with Docker Model Runner:
```
docker model run hf.co/mindchain/imajev-2b-full-GGUF:Q4_K_M
```

Lemonade

How to use mindchain/imajev-2b-full-GGUF with Lemonade:

Pull the model

# Download Lemonade from https://lemonade-server.ai/
lemonade pull mindchain/imajev-2b-full-GGUF:Q4_K_M

Run and chat with the model

lemonade run user.imajev-2b-full-GGUF-Q4_K_M

List all available models

lemonade list

Hermes Agent

How to use mindchain/imajev-2b-full-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 mindchain/imajev-2b-full-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 mindchain/imajev-2b-full-GGUF:Q4_K_M

Run Hermes

hermes

Atomic Chat

OpenClaw

How to use mindchain/imajev-2b-full-GGUF with OpenClaw:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf mindchain/imajev-2b-full-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 "mindchain/imajev-2b-full-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"

Imajev-2B — vollständige Serie, 28 Stufen

Vollständiger Quantisierungs-Sweep dieses Decision-Modells, gebaut am 2026-10-04. Drei Familien, ein Aufruf je Stufe, keine Handarbeit.

⚠️ Diese Dateien sind GEBAUT, nicht GEMESSEN

Das ist der wichtigste Satz auf dieser Karte.

Geprüft wurde eine Sache: jede Datei ist kleiner als ihre f16-Quelle (gate_quantized(), −47 % bis −85 %). Das fängt Quantisierungen ab, die in Wahrheit gar nicht stattfinden — es sagt aber nichts über Qualität.

Nicht gemessen wurde:

Perplexität
Decision-Readout gegen Gold-Antworten
Verteilungsabweichung gegen die unquantisierte Referenz
welche Stufe dieses Modell tatsächlich trägt

Eine Datei in diesem Repo ist ein Kandidat, kein Ergebnis. Die vergleichende Messung läuft in haddock-development/quantization.

Was hier drin ist

Familie	Stufen	Technik
K-Quant	Q3_K_S … Q8_0 (9)	ohne i-Matrix
IQ-Quant	IQ2_XXS … IQ4_NL (10)	mit Importance-Matrix
Ternarisierung	TQ2_0, TQ1_0 (2)	Ternarisierung
Unsloth	IQ1_XXXS, IQ1_XXS, IQ1_XS (3)	nur der Unsloth-Build kann die

Die IQ-Stufen wurden mit einer Importance-Matrix gebaut, die aus einem aufgabenspezifischen Kalibriersatz stammt — 15 Temperatur-Buckets aus calibration.json, 3 Fragetypen × 5 Optionsmengen. Das ist gemessen relevant: Mit einem anderen Kalibriersatz ändert sich, welche Gewichte geschützt werden, und die Rangfolge kippt.

Nicht drin, und warum


`Q4_0`, `Q5_0`, `Q5_1`	Legacy, vor den K-Quants. −3× schlechter bei weniger Bit
`Q2_K`, `Q2_K_S`	+3,5 PPL laut llama.cpp. Liefert keine Optionsbuchstaben
Lookup-Table	das Werkzeug legt in diesem Build nichts ab

Vision

Dieses Modell ist multimodal. Für Bilder braucht es zwei Dateien:

-m  modell-Q4_K_M.gguf  --mmproj  modell-mmproj-f16.gguf

Ohne die Projektion antwortet der Server mit image input is not supported, auch wenn das Modell lädt.

Empfehlung

Fang mit Q4_K_M. Es ist der übliche Kompromiss aus VRAM und Qualität. Wenn du weniger Speicher brauchst, geh auf IQ4_XS — das ist die IQ-Variante mit derselben Bitrate, aber mit Importance-Matrix.

Und: Q8_0 als Referenz, wenn du vergleichen willst. Ohne Referenz ist jede Zahl bedeutungslos.

Downloads last month: 1,319

GGUF

Model size

2B params

Architecture

qwen35

Hardware compatibility

1-bit

2-bit

3-bit

4-bit

5-bit

6-bit

8-bit

16-bit

View +1 variant

Model tree for mindchain/imajev-2b-full-GGUF

Base model

Qwen/Qwen3.5-2B-Base

Finetuned

Qwen/Qwen3.5-2B

Quantized

(270)

this model