Instructions to use tarno-ai/Tarno-Core-v1 with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use tarno-ai/Tarno-Core-v1 with Transformers:

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

pipe = pipeline("text-generation", model="tarno-ai/Tarno-Core-v1")
messages = [
    {"role": "user", "content": "Who are you?"},
]
pipe(messages)

# Load model directly
from transformers import AutoModel
model = AutoModel.from_pretrained("tarno-ai/Tarno-Core-v1", device_map="auto")

Notebooks
Google Colab
Kaggle
Local Apps Settings

vLLM

How to use tarno-ai/Tarno-Core-v1 with vLLM:

Install from pip and serve model

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

Use Docker

docker model run hf.co/tarno-ai/Tarno-Core-v1

SGLang

How to use tarno-ai/Tarno-Core-v1 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 "tarno-ai/Tarno-Core-v1" \
    --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": "tarno-ai/Tarno-Core-v1",
		"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 "tarno-ai/Tarno-Core-v1" \
        --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": "tarno-ai/Tarno-Core-v1",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Docker Model Runner
How to use tarno-ai/Tarno-Core-v1 with Docker Model Runner:
```
docker model run hf.co/tarno-ai/Tarno-Core-v1
```

You need to agree to share your contact information to access this model

This repository is publicly accessible, but you have to accept the conditions to access its files and content.

Model Card for TARNO

TARNO ist kein eigenständig trainiertes Sprachmodell, sondern ein Iron-Man-inspirierter, persönlicher KI-Agent für Windows, der Mistral AIs LLM-API orchestriert und mit lokal laufender Sprach-Pipeline (Wake-Word, STT, TTS) sowie Tool-Use (Dateisystem, Systemsteuerung, Erinnerungen u.a.) kombiniert.

Model Details

Model Description

TARNO ist ein WinUI 3 (C#) + Python-Backend-Agentensystem, das per gRPC verbunden ist. Es nutzt Mistral AIs mistral-small-2506 als Standard-LLM (mit Tier-Routing auf ministral-3b-2512/mistral-large-2512 je nach Aufgabenkomplexität), ergänzt um lokal (CPU-only, keine GPU nötig) laufende Komponenten: Vosk (Wake-Word), faster-whisper (Spracherkennung), edge-tts/gTTS (Sprachausgabe).

Developed by: TARNO AI
Funded by [optional]: [More Information Needed]
Shared by [optional]: TARNO AI
Model type: LLM-Agent/Orchestrierungssystem (kein eigenständig trainiertes Modell)
Language(s) (NLP): Deutsch (primär), Englisch
License: [More Information Needed]
Finetuned from model [optional]: Nicht zutreffend — kein Fine-Tuning, nutzt Mistral AIs proprietäre API-Modelle unverändert.

Model Sources [optional]

Repository: [More Information Needed]
Paper [optional]: Nicht zutreffend
Demo [optional]: [More Information Needed]

Uses

Direct Use

Persönlicher Desktop-Assistent unter Windows 10/11 — Sprachsteuerung per Wake-Word ("Hey Tarno"/"Hey Jarvis") oder Text-Chat, inkl. Tool-Ausführung (Dateien, Anwendungen, Erinnerungen, Systeminfo, Websuche).

Downstream Use [optional]

Nicht zutreffend — kein Basismodell zum eigenen Fine-Tuning gedacht.

Out-of-Scope Use

Kein eigenständig nutzbares Sprachmodell (keine Gewichte zum Download) — benötigt zwingend die vollständige TARNO-Infrastruktur (WinUI-Frontend, Python-gRPC-Backend, gültiger Mistral-API-Key). Nicht für sicherheitskritische Entscheidungen gedacht.

Bias, Risks, and Limitations

TARNO erbt Bias und Limitationen von Mistral AIs zugrundeliegenden API-Modellen, da kein eigenes Safety-/Alignment-Training durchgeführt wurde. Die lokale Spracherkennung (Vosk/faster-whisper) kann bei starken Akzenten oder Umgebungsgeräuschen an Genauigkeit verlieren.

Recommendations

Nutzer sollten sich bewusst sein, dass Antworten über die Mistral-API generiert werden und deren Nutzungsbedingungen/Limitierungen gelten.

How to Get Started with the Model

[More Information Needed]

Training Details

Training Data

Nicht zutreffend — TARNO führt kein eigenes Training/Fine-Tuning durch.

Training Procedure

Nicht zutreffend.

Preprocessing [optional]

Nicht zutreffend.

Training Hyperparameters

Nicht zutreffend.

Speeds, Sizes, Times [optional]

Nicht zutreffend.

Evaluation

Testing Data, Factors & Metrics

Testing Data

Nicht zutreffend — kein eigenes Evaluierungsdataset.

Factors

Nicht zutreffend.

Metrics

Keine formalen Modell-Benchmarks (kein eigenes Modell). Software-Qualität wird über eine automatisierte Testsuite (450 Unit-Tests) sichergestellt.

Results

Nicht zutreffend.

Model Examination [optional]

Nicht zutreffend.

Environmental Impact

Nicht zutreffend — kein eigenes Training durchgeführt. Emissionen durch Inferenz entstehen bei Mistral AI (Cloud-API) sowie durch lokale CPU-Nutzung der Sprachkomponenten auf dem Endgerät des Nutzers.

Technical Specifications [optional]

Model Architecture and Objective

Agent-Orchestrierung über Mistral AIs mistral-small-2506 (Standard, Tier-Routing verfügbar), kombiniert mit lokaler Sprach-Pipeline (Vosk Wake-Word, faster-whisper STT, edge-tts/gTTS TTS) und Tool-Use-Layer (19 registrierte Tools).

Compute Infrastructure

Läuft lokal auf Windows-PCs des Nutzers (CPU-only, bewusst ohne CUDA/ROCm-Abhängigkeit für Wake-Word/STT/TTS); LLM-Inferenz erfolgt über Mistral AIs Cloud-API.

Hardware

Consumer-Windows-PC, CPU-first-Design.

Software

Python 3.12 Backend + WinUI 3 (C#) Frontend, verbunden per gRPC.

Citation [optional]

Nicht zutreffend.

Glossary [optional]

Nicht zutreffend.

More Information [optional]

[More Information Needed]

Model Card Authors [optional]

TARNO AI

Model Card Contact

[More Information Needed]

Downloads last month: -; Downloads are not tracked for this model. How to track