Instructions to use chenyumo/moziAI-35B-A3B-MOE-MTP with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Notebooks
Google Colab
Kaggle
Local Apps Settings

How to use chenyumo/moziAI-35B-A3B-MOE-MTP 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 chenyumo/moziAI-35B-A3B-MOE-MTP:BF16
# Run inference directly in the terminal:
llama cli -hf chenyumo/moziAI-35B-A3B-MOE-MTP:BF16

Install from WinGet (Windows)

winget install llama.cpp
# Start a local OpenAI-compatible server with a web UI:
llama serve -hf chenyumo/moziAI-35B-A3B-MOE-MTP:BF16
# Run inference directly in the terminal:
llama cli -hf chenyumo/moziAI-35B-A3B-MOE-MTP:BF16

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 chenyumo/moziAI-35B-A3B-MOE-MTP:BF16
# Run inference directly in the terminal:
./llama-cli -hf chenyumo/moziAI-35B-A3B-MOE-MTP:BF16

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 chenyumo/moziAI-35B-A3B-MOE-MTP:BF16
# Run inference directly in the terminal:
./build/bin/llama-cli -hf chenyumo/moziAI-35B-A3B-MOE-MTP:BF16

Use Docker

docker model run hf.co/chenyumo/moziAI-35B-A3B-MOE-MTP:BF16

LM Studio
Jan

vLLM

How to use chenyumo/moziAI-35B-A3B-MOE-MTP with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "chenyumo/moziAI-35B-A3B-MOE-MTP"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "chenyumo/moziAI-35B-A3B-MOE-MTP",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker

docker model run hf.co/chenyumo/moziAI-35B-A3B-MOE-MTP:BF16

Ollama
How to use chenyumo/moziAI-35B-A3B-MOE-MTP with Ollama:
```
ollama run hf.co/chenyumo/moziAI-35B-A3B-MOE-MTP:BF16
```
Unsloth Desktop

How to use chenyumo/moziAI-35B-A3B-MOE-MTP with Pi:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf chenyumo/moziAI-35B-A3B-MOE-MTP:BF16

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": "chenyumo/moziAI-35B-A3B-MOE-MTP:BF16"
        }
      ]
    }
  }
}

Run Pi

# Start Pi in your project directory:
pi

Docker Model Runner
How to use chenyumo/moziAI-35B-A3B-MOE-MTP with Docker Model Runner:
```
docker model run hf.co/chenyumo/moziAI-35B-A3B-MOE-MTP:BF16
```

Lemonade

How to use chenyumo/moziAI-35B-A3B-MOE-MTP with Lemonade:

Pull the model

# Download Lemonade from https://lemonade-server.ai/
lemonade pull chenyumo/moziAI-35B-A3B-MOE-MTP:BF16

Run and chat with the model

lemonade run user.moziAI-35B-A3B-MOE-MTP-BF16

List all available models

lemonade list

Hermes Agent

How to use chenyumo/moziAI-35B-A3B-MOE-MTP with Hermes Agent:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf chenyumo/moziAI-35B-A3B-MOE-MTP:BF16

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 chenyumo/moziAI-35B-A3B-MOE-MTP:BF16

Run Hermes

hermes

Atomic Chat

OpenClaw

How to use chenyumo/moziAI-35B-A3B-MOE-MTP with OpenClaw:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf chenyumo/moziAI-35B-A3B-MOE-MTP:BF16

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 "chenyumo/moziAI-35B-A3B-MOE-MTP:BF16" \
  --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"

moziAI-35B-A3B-MOE-MTP / V3.8 /README.ar.md

chenyumo

Upload V3.8/README.ar.md with huggingface_hub

41f0de9 verified 3 days ago

preview code

Raw

History Blame Contribute Delete

27.7 kB

metadata

language:
  - ar
license: other
tags:
  - gguf
  - MoE
  - financial-llm
  - MoziSmartBit
  - qwen3.5
  - qwen3.6
  - ornith
  - MoziAI
  - tool-calling
  - uncensored
  - vision
  - MTP
library_name: llama-cpp
pipeline_tag: text-generation

MoziAI-35B-V3.8 — نموذج ذكاء اصطناعي متعدد الوسائط صغير الحجم وقوي، قابل للنشر المحلي مجانًا

تاريخ الإصدار: 2026-09-01 · الإصدار: V3.8

📑 المحتويات

1. نظرة عامة على النموذج
2. الميزات الرئيسية — التفكير الديناميكي ذو الأبعاد السبعة / LOOP / MoziSmartBit / التركيز المالي
3. ملاحظات ترقية الإصدار
4. القدرات الأساسية
5. المواصفات التقنية
6. البدء السريع — تحميل الملفات الثلاثة
7. تحميل النموذج
8. أوامر التشغيل
9. معاملات الاستدلال الموصى بها
10. مقارنة صيغ التكميم
11. تسريع فك الترميز التخميني
12. توصيات تكوين الذاكرة
13. طرق النشر
14. المعايير
15. تحسين إلغاء الرقابة (Uncensored)
16. الترخيص
17. التواصل

1. نظرة عامة على النموذج

MoziAI-35B-V3.8 هو نموذج ذكاء اصطناعي متعدد الوسائط مفتوح المصدر قابل للنشر محليًا، طوّره فريق تشن يومو (Chen Yumo)، المؤثر المالي الصيني البارز. مبني على القاعدة مفتوحة المصدر Ornith-1.5-35B-A3B (بنية Qwen3.5-35B-A3B / Qwen3.6-35B-A3B، MoE 35B، رخصة MIT)، ويجمع بين البيانات المالية المطورة ذاتيًا + القدرات المالية المتخصصة + إطار التفكير الديناميكي ذو الأبعاد السبعة + آلية التكرار والتفكير LOOP للوكيل الذكي + خاصية Uncensored لإلغاء الرقابة + خوارزمية التكميم الهجين MoziSmartBit.

💡 ميزة الحجم: 15.9 جيجابايت فقط — يتم ضغط نموذج MoE ذي 35 مليار معامل إلى 15.9 جيجابايت فقط عبر التكميم الذكي MoziSmartBit المطوّر ذاتيًا (أصغر بنحو 30% من Q4_K_M القياسي ~22 جيجابايت). يناسب حزمة تثبيت واحدة، ويعمل على بطاقات الرسوميات الاستهلاكية العادية (20 جيجابايت VRAM فأكثر)، ويقلص تكاليف الرموز السحابية إلى صفر، ويتيح حرية رموز 7×24 ساعة مع ضمان خصوصية وأمان البيانات المحلية. مرخّص للاستخدام التجاري المجاني — بلا أي عوائق للأفراد والمؤسسات.

2. الميزات الرئيسية

🧠 إطار التفكير الديناميكي ذو الأبعاد السبعة

إطار الاستدلال الأساسي المطوّر ذاتيًا من MoziAI. أمام أي مهمة، يخرج النموذج أولاً علامة moziAI-Think، ثم يوسع التفكير المنظم ديناميكيًا حسب تعقيد المهمة:

المستوى	السيناريو	المهام النموذجية	الأبعاد الموسّعة
المستوى 0	أسئلة وأجوبة بسيطة	شرح المصطلحات، البحث عن الحقائق، الترجمة، التلخيص	①فهم المهمة ⑤الاحتياجات من الموارد (إجابة سريعة ببعدين)
المستوى 1	تحليل وتشخيص	أبحاث السوق، كتابة المحتوى، تحليل البيانات، قراءة التقارير، تقييم الاستراتيجيات	①②③⑤⑥ تقييم بخمسة أبعاد
المستوى 2	تطوير/استراتيجية معقدة	تطوير الكود، تصميم البنية، تطوير استراتيجيات التكميم، سير عمل متعدد الخطوات، تصميم الأنظمة	①②③④⑤⑥⑦ تفكير عميق كامل بسبعة أبعاد

الأبعاد السبعة: ①فهم المهمة ②تقييم التعقيد ③العلاقات التبعية ④تقييم المخاطر ⑤الاحتياجات من الموارد ⑥معايير القبول ⑦استراتيجية التنفيذ

🔄 آلية التكرار LOOP للوكيل الذكي

تدخل المهام المعقدة تلقائيًا في وضع التكرار moziAI-Loop: الجولة 1 تنفيذ + تقييم ← الجولة 2 تعديل + تحقق، لضمان خضوع المخرجات للتحقق الذاتي قبل تقديم الإجابة النهائية. يعمل النموذج مثل مهندس خبير: «تفكيك المشكلة ← تقييم الحل ← تنفيذ ← تفكير ← تحسين»، مما يرفع دقة المهام المعقدة وقابلية تنفيذها بشكل ملحوظ. أما الأسئلة والمهام البسيطة فتغلق Loop تلقائيًا.

📦 التكميم الذكي MoziSmartBit

تكميم هرمي ذكي مطوّر ذاتيًا: يُضغط نموذج MoE ذو 35 مليار معامل إلى 15.9 جيجابايت تقريبًا، أصغر بنحو 6.5 جيجابايت (~~30%) من Q4_K_M القياسي (~~22 جيجابايت)، مع الحفاظ على ~99% من دقة FP16. يستخدم التكميم التقليدي دقة موحدة لجميع الطبقات، بينما يعتمد MoziSmartBit استراتيجية تمايز ذكية تناسب بنية MoE، بدقة أفضل من Q4_K_M. نسبة الضغط تصل إلى 4.5x.

💰 التركيز على المجال المالي العمودي

تحسين عميق للأسئلة والأجوبة المالية، البرمجة الكمية، واستدعاء الأدوات. المجال المالي يتسامح بشدة مع هلاوس النماذج، ويظهر MoziAI أداءً أفضل بكثير من النماذج العامة ذات الحجم المماثل في هذا المجال.

🛡️ خاصية Uncensored لإلغاء الرقابة

لا قيود على مراجعة المحتوى، مخرجات حرة، معلومات كاملة، خصوصية محلية. مناسبة للبحث الأكاديمي والتحليل العميق والنقاش الحر وغيرها من السيناريوهات (انظر القسم 15).

🌐 ميزات أخرى

دعم متعدد اللغات: 201 لغة ولهجة، مع تحسين خاص للغة الصينية
برمجة عامة: تطوير Full-stack، تصحيح الأكواد، تصميم البنية، تغطية Python/JS/TS/Go/Rust
كتابة المقالات: كتابة عالية الجودة متعددة الأنواع مثل التقارير والمقالات التحليلية والوثائق التقنية والمحتوى الإبداعي
فهم بصري: رؤية متعددة الوسائط، تدعم فهم محتوى الصور عبر لقطات الشاشة محليًا
دعم أطر متعددة: llama.cpp / Ollama / LM Studio / Jan
دعم وكلاء متعددين: OpenClaw / Hermes / Cursor / Claude Code / Codex وغيرها، مع استدعاء أدوات أصلي وتنسيق مهام متعدد الجولات

3. ملاحظات ترقية الإصدار

أُعيد تدريب إصدار V3.8 باستخدام نظام مجموعة البيانات التدريبية المطوّر ذاتيًا من الجيل نفسه مثل 27B-V3.8 (الهوية / التفكير الديناميكي ذو الأبعاد السبعة / تكرار LOOP / المجال المالي العمودي)، مع تعزيز نمط الاستدلال «التفكير الديناميكي ذو الأبعاد السبعة + تكرار LOOP» المطوّر ذاتيًا من moziAI، ليتعرف على تعقيد المهام بشكل أذكى، وترتفع نسبة إتمام المهام المعقدة، وتتحسن قدرة «فكر أولاً ثم نفّذ»؛ مع الاستمرار في خاصية Uncensored والتحسين العميق للمجال المالي العمودي.

يحافظ moziAI على وتيرة تحديث إصدارات نشطة ومستمرة، لضمان مواكبة تطور الذكاء الاصطناعي المستقبلي، ويواصل عبر التقنيات الذاتية جعل نماذج الذكاء الاصطناعي المحلية خفيفة النشر وأكثر قدرة.

4. القدرات الأساسية في المجال المالي

مجال القدرة	الوصف
تحليل السوق	تفسير الاقتصاد الكلي/الجزئي، تحليل أسواق A/HK/US/السلع/العملات المشفرة ومنطقها
المالية والتقارير	تفسير المؤشرات الرئيسية للتقارير المالية، استخلاص ملخصات التقارير، المساعدة في التقييم وتوقعات الأرباح
إدارة المخاطر والامتثال	تقييم مخاطر المنتجات، تذكيرات الامتثال لنصائح الاستثمار، تفسير سياسات الرقابة المالية
التكميم والاستراتيجيات	تصميم أفكار الاستراتيجيات الكمية، تكميم Pyramid (PEL)، منطق الاختبار الخلفي، بناء العوامل واستدعاء الأدوات
استدعاء الأدوات	الاتصال بمصادر بيانات مالية حية وقواعد البيانات وبحث التقارير

5. المواصفات التقنية

البند	المواصفات
النموذج الأساسي	Ornith-1.5-35B-A3B (بنية Qwen3.5-35B-A3B / Qwen3.6-35B-A3B، رخصة MIT)
حجم المعاملات	35 مليار (35B) بنية MoE، 256 خبير توجيه + خبير مشترك واحد، تفعيل 8 خبراء لكل رمز
طريقة التكميم	تكميم ذكي MoziSmartBit مطوّر ذاتيًا + صيغة GGUF القياسية
طول السياق	256K (262,144 رمزًا)
حجم النموذج	~15.9 جيجابايت
الحد الأدنى للذاكرة	20GB+ قابل للنشر (إزاحة CPU)؛ 24GB+ سياق طويل سلس؛ 32GB+ 256K كامل + رؤية
أطر الاستدلال	llama.cpp / Ollama / LM Studio / Jan
سرعة الاستدلال	مع فك الترميز التخميني: بطاقة AMD R9700 تصل إلى 140+ رمز/ثانية / AMD MAX+395 CPU iGPU تصل إلى 70+ رمز/ثانية
فريق التطوير	فريق تشن يمو

6. البدء السريع 3 ملفات 100 تفعيل أفضل قدرة استدلال

⚠️ ملاحظة أساسية: تتطلب أفضل قدرة استدلال لـ MoziAI تنزيل 3 ملفات معًا — النموذج الرئيسي، مُسقط الرؤية، قالب المحادثة. نقص أي ملف يفقد القدرة المقابلة.

6.1 تنزيل ملفات النموذج

نزّل هذه الملفات الثلاثة من HuggingFace / ModelScope إلى نفس الدليل المحلي (النموذج الرئيسي في جذر المستودع، مُسقط الرؤية في mmproj/35B/، قالب المحادثة في V3.8/):

moziAI-35B-V3.8-MOE-MTP-Q4_K_M-Uncensored-Qwen3.6-35B-A3B-Ornith-1.5.gguf  ← النموذج الرئيسي (إلزامي، 15.9 جيجابايت)
moziAI-35B-mmproj-BF16-V1.0.gguf                        ← مُسقط الرؤية (إلزامي، ~1 جيجابايت)
moziAI-V3.8-35B-chat-template.jinja                                        ← قالب المحادثة (إلزامي، يتضمن تعليمات التفكير وLoop)

الملف	الحجم	الضرورة	الوظيفة
النموذج الرئيسي `.gguf`	~15.9 جيجابايت	إلزامي	أوزان النموذج، قدرة الاستدلال الأساسية
مُسقط الرؤية `mmproj`	~1 جيجابايت	إلزامي	الفهم البصري متعدد الوسائط، عدم التحميل يفقد قدرة الصور
قالب المحادثة `.jinja`	ضئيل	إلزامي	حقن هوية MoziAI + التفكير ذو الأبعاد السبعة + تعليمات آلية LOOP

6.2 التشغيل والاستخدام

llama-server \
  -m ./moziAI-35B-V3.8-MOE-MTP-Q4_K_M-Uncensored-Qwen3.6-35B-A3B-Ornith-1.5.gguf \
  --mmproj mmproj/35B/moziAI-35B-mmproj-BF16-V1.0.gguf \
  --chat-template-file V3.8/moziAI-V3.8-35B-chat-template.jinja \
  -c 131072 -ngl 99 \
  --host 0.0.0.0 --port 8080

افتح http://localhost:8080 في المتصفح لبدء المحادثة. المعاملات الكاملة الموصى بها في القسم 9.

7. تحميل النموذج

المنصة	العنوان
HuggingFace	chenyumo/moziAI-35B-A3B-MOE-MTP
ModelScope	chenyumo/moziAI-35B-A3B-MOE-MTP
GitHub	chenyumo166/moziAI-35B
Ollama	`ollama pull chenyumo/moziAI-35B-A3B`

💡 مستخدمو LM Studio: ابحث عن moziAI في LM Studio للتنزيل بنقرة واحدة، دون تنزيل الملفات يدويًا.

💡 نصيحة التنزيل: انقر الرابط أعلاه للدخول إلى مستودع HuggingFace، افتح تبويب **"Files and versions"**، نزّل النموذج الرئيسي من جذر المستودع، ثم نزّل مُسقط الرؤية من mmproj/35B/ وقالب المحادثة من V3.8/، مع وضع الملفات الثلاثة في نفس الدليل.

8. أوامر التشغيل

أبسط تشغيل (مع الملفات الثلاثة)

llama-server \
  -m ./moziAI-35B-V3.8-MOE-MTP-Q4_K_M-Uncensored-Qwen3.6-35B-A3B-Ornith-1.5.gguf \
  --mmproj mmproj/35B/moziAI-35B-mmproj-BF16-V1.0.gguf \
  --chat-template-file V3.8/moziAI-V3.8-35B-chat-template.jinja \
  -c 131072 -ngl 99 \
  --host 0.0.0.0 --port 8080

التشغيل الكامل الموصى به

llama-server \
  -m ./moziAI-35B-V3.8-MOE-MTP-Q4_K_M-Uncensored-Qwen3.6-35B-A3B-Ornith-1.5.gguf \
  --mmproj mmproj/35B/moziAI-35B-mmproj-BF16-V1.0.gguf \
  --chat-template-file V3.8/moziAI-V3.8-35B-chat-template.jinja \
  -c 262144 -ngl 99 -t 28 \
  --batch-size 2048 --ubatch-size 512 \
  --flash-attn auto \
  --cache-type-k q4_0 --cache-type-v q4_0 --kv-unified \
  --poll 0 \
  --reasoning on --reasoning-format deepseek-legacy \
  --spec-default \
  --host 0.0.0.0 --port 8080 \
  --temp 0.6 --top-p 0.95 --top-k 20 --min-p 0.024 \
  --repeat-penalty 1.05 --presence-penalty 0

💡 عند نقص الذاكرة: اخفض -c (مثل 131072)، أو أضف --fit on ليجعل llama.cpp يضبط الذاكرة تلقائيًا.

9. معاملات الاستدلال الموصى بها

محسّنة من الاختبارات المحلية (AMD Radeon AI PRO R9700 32GB):

المعامل	المهام اليومية/الكتابة	المهام المعقدة/البرمجة المتقدمة	الوصف
temperature	0.6	0.8	استقرار يومي؛ استكشاف معتدل للبرمجة المعقدة
top_p	0.95	0.95	عتبة أخذ العينات النووية
top_k	20	20	أخذ عينات مقتطع
min_p	0.024	0.024	تصفية الاحتمال الأدنى
repeat_penalty	1.05	1.05	عقوبة التكرار
presence_penalty	0	0	لا عقوبة حضور
context_length	131072	262144	يومي 128K / معقد 256K (افتراضي llama.cpp 128K)
reasoning	on	on	تفعيل سلسلة التفكير (CoT)
reasoning_budget	400	1000	ميزانية رموز التفكير (أعلى للمهام المعقدة)
reasoning_format	deepseek-legacy	deepseek-legacy	إخراج التفكير في حقل مستقل
spec-type	default	default	تسريع فك الترميز التخميني (ngram، الأمثل لـ MoE، انظر القسم 11)
ذاكرة التخزين المؤقت KV	q4_0	q4_0	ذاكرة تخزين مؤقت KV مكمّمة (kv-unified موحد)

💡 وضع التفكير: يُفعّل عبر --reasoning on — يستدل النموذج داخليًا قبل الإجابة. يتحكم reasoning_budget في الحد الأقصى لرموز التفكير.

10. مقارنة صيغ التكميم

الصيغة	الحجم	الدقة	الوصف
FP16 الأصلي	~70 جيجابايت	100%	بدون فقد، يتطلب بطاقة احترافية
MoziSmartBit (هذا النموذج)	~15.9 جيجابايت	~99%	تكميم ذكي مطوّر ذاتيًا، أفضل دقة لكل حجم
Q4_K_M	~22 جيجابايت	~98%	GGUF قياسي 4-bit
Q5_K_M	~24.7 جيجابايت	~99%	دقة أعلى
Q6_K	~28.5 جيجابايت	~99.5%	شبه بلا فقد
Q8_0	~36.9 جيجابايت	~100%	بلا فقد

يحافظ MoziSmartBit على دقة ~99% مع ضغط نموذج MoE 35B إلى 15.9 جيجابايت (نسبة ضغط 4.5x)، أصغر بنحو 30% من Q4_K_M — مثالي للنشر المحلي على بطاقات المستهلك.

11. تسريع فك الترميز التخميني ميزة مهمة

يعزز هذا النموذج سرعة الاستدلال بشكل ملحوظ عبر فك الترميز التخميني (Speculative Decoding) — محليًا أسرع بـ ~1.5-2 مرة من عند التعطيل.

التهيئة الأمثل لـ MoE: يوصي llama.cpp باستخدام فك الترميز التخميني ngram (--spec-default) لبنى MoE — الأسرع والأكثر استقرارًا في الاختبارات المحلية
حول "MTP" في الاسم: تعني "MTP" أوزان توقع الرموز المتعددة المدمجة في النموذج الأساسي (محفوظة بالكامل)؛ دعم llama.cpp لـ MTP draft لبنى MoE محدود، لذا يعتمد MoziAI على مخطط ngram لتحقيق أفضل سرعة مقاسة

معامل التفعيل

--spec-default

اقتراحات الضبط

التهيئة	السيناريو
--spec-default (الافتراضي)	موصى به: توازن السرعة والذاكرة
تعطيل (حذف المعامل)	سيناريوهات الذاكرة المحدودة؛ أبطأ قليلاً

12. توصيات تكوين الذاكرة المرئية

مقاس على إصدار MoziSmartBit (النموذج + الرؤية ~16.4 جيجابايت إجمالاً):

الذاكرة	التهيئة الموصى بها	الوصف
20 جيجابايت	سياق 150K، ذاكرة KV q4_0، دعم الرؤية	النموذج+الرؤية ~16.4 جيجابايت، 256K+الرؤية تشغل ~19.5 جيجابايت فقط
24 جيجابايت	256K كامل، ذاكرة KV q4_0، دعم رؤية مثالي	التهيئة الموصى بها: الرؤية+سياق طويل 256K تشغل ~20.4 جيجابايت، فائض ~3.6 جيجابايت
32 جيجابايت+	256K كامل، فائض ذاكرة كافٍ	مثل R9700 32GB: الرؤية+سياق طويل 256K، فائض ~10 جيجابايت، أقوى تهيئة

💡 كلما زاد السياق، زاد استهلاك الذاكرة. عند OOM اخفض -c تدريجيًا. استخدم --fit on ليجعل llama.cpp يضبط عدد الطبقات تلقائيًا. يدعم جميع بطاقات NVIDIA / AMD.

13. طرق النشر

النشر عبر Ollama

cat > Modelfile << 'EOF'
FROM ./moziAI-35B-V3.8-MOE-MTP-Q4_K_M-Uncensored-Qwen3.6-35B-A3B-Ornith-1.5.gguf
PARAMETER temperature 0.6
PARAMETER top_p 0.95
PARAMETER top_k 20
PARAMETER num_ctx 131072
PARAMETER num_gpu 99
EOF

ollama create moziAI-35B -f Modelfile
ollama run moziAI-35B

LM Studio / Jan

ابحث عن moziAI في LM Studio / Jan واختر إصدار التكميم Q4_K_M للتنزيل (يقرأ LM Studio افتراضيًا النموذج من جذر المستودع، وللإصدارات التاريخية استخدم "إضافة من URL" لاستيراد ملفات مجلد الإصدار المقابل، مثل V3.7/).

💡 دعم Ollama لـ mmproj و chat_template محدود، يُنصح باستخدام llama.cpp أولاً للحصول على الوظائف الكاملة.

14. المعايير

استند MoziAI-35B-V3.8 إلى قاعدة deepreinforce-ai/Ornith-1.5-35B-A3B بالضبط الدقيق والتقطير والتطوير الثانوي، مع المجال المالي العمودي كاتجاه التحسين الأساسي. فيما يلي مقارنة متعددة النماذج (القدرات العامة لـ MoziAI مطابقة لقاعدة Ornith-1.5-35B-A3B؛ البيانات من قياسات إصدار V3.7، وV3.8 وV3.7 بنفس القاعدة ونفس نظام التدريب):

المعيار	moziAI-35B-V3.8 (هذا النموذج)	Ornith-1.0-35B-A3B	Qwen3.6-35B-A3B	Gemma-4-31B	Muse-Glimmer-30B	Qwen3.5-397B
اختبارات البرمجة
Terminal-Bench 2.1 (Terminus-2)	67.8	64.2	52.5	42.1	51.7	53.5
Terminal-Bench 2.1 (Claude Code)	68.5	62.8	49.2	-	-	48.6
SWE-bench Verified	79	75.6	73.4	52	76	76.4
SWE-bench Pro	59.6	50.4	49.5	35.7	51.2	51.6
SWE-bench Multilingual	71.4	69.3	67.2	51.7	-	69.3
DeepSWE	22	0	0	-	-	1
Frontier-Bench v0.1	5.1	1.4	1.4	-	-	1.4
NL2Repo	46.2	34.6	29.4	15.5	-	36.8
SWE Atlas - QnA	39.8	37.1	15.5	-	-	20.4
اختبارات الاستدلال
HLE (no tools)	25.6	20.8	21.4	19.5	22	28.7
HLE (with tools)	33.4	30.1	28.9	26.5	-	48.3
GPQA Diamond	89.2	86.2	86	84.3	83.5	88.4
اختبارات الوكيل
MCP-Atlas	70.2	64.4	62.8	55	75.5	72.3
Toolathlon-Verified	48.7	42.4	41.7	40.8	-	38.3
WideSearch	67.8	63.4	60.1	54.2	-	74
BrowseComp	67.6	63.5	62	-	-	78.6
ClawEval	72.5	69.8	68.7	48.5	-	70.7

المجال المالي العمودي لـ MoziAI-35B هو اتجاه التحسين الأساسي، ويظهر أداءً أفضل بكثير من النماذج العامة في تفسير التقارير المالية والاستراتيجيات الكمية وامتثال إدارة المخاطر واستدعاء أدوات الوكيل. بيانات Gemma-4 / Qwen3.6 من نتائج التقييم الرسمية المنشورة.

15. تحسين إلغاء الرقابة Uncensored

يرث هذا النموذج خاصية Uncensored (إلغاء الرقابة) من قاعدة Ornith-1.5-35B-A3B، وله المزايا التالية:

الميزة	الوصف
بلا قيود مراجعة	لا يرفض أي موضوع، بما في ذلك المحتوى الحساس والمثير للجدل
مخرجات حرة	غير مقيد بسياسات الأمان، يمكنه توليد أي نوع من الردود
معلومات كاملة	يوفر معلومات كاملة غير مفلترة، مناسبة للبحث والتحليل
خصوصية محلية	النشر المحلي يعني خصوصية كاملة للبيانات، دون مراجعة سحابية

السيناريوهات المناسبة: البحث الأكاديمي، التحليل العميق، النقاش الحر، حوارات الذكاء الاصطناعي غير المقيدة.

ملاحظة: هذا نموذج نشر محلي، المخرجات يتحكم بها المستخدم بالكامل، ولا يتحمل مسؤولية مراجعة المحتوى.

16. الترخيص

يستخدم هذا النموذج ترخيصًا تقييديًا مخصصًا:

✅ مسموح — الاستخدام التجاري المجاني، النسخ والتوزيع
❌ ممنوع — التطوير الثانوي، إعادة البيع، الترخيص من الباطن
📋 مطلوب — الاحتفاظ بإشعار حقوق النشر الأصلي، مع ذكر المصدر: moziAI-35B

يُقدَّم النموذج «كما هو» دون أي ضمانات. المخرجات للإشارة فقط ولا تشكل نصيحة استثمارية. يتحمل المستخدم جميع المخاطر.

راجع ملف LICENSE للشروط الكاملة.

17. التواصل

HuggingFace: @chenyumo
GitHub: @chenyumo166
Weibo: @rimochen
البريد الإلكتروني: 263515@qq.com