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.de.md

chenyumo

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

da9ffa4 verified 3 days ago

preview code

Raw

History Blame Contribute Delete

17.3 kB

metadata

language:
  - de
  - en
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 — Kompaktes, leistungsstarkes multimodales KI-Modell für die kostenlose lokale Bereitstellung

Veröffentlichungsdatum: 2026-09-01 · Version: V3.8

📑 Inhaltsverzeichnis

1. Modellübersicht
2. Hauptmerkmale — Dynamisches 7-Dimensionales Denken / LOOP / MoziSmartBit / Finanzfokus
3. Versionshinweise
4. Kernkompetenzen
5. Technische Spezifikationen
6. Schnellstart — 3-Dateien-Paket
7. Modell-Downloads
8. Startbefehle
9. Empfohlene Inferenzparameter
10. Quantisierungsformatvergleich
11. Spekulatives Decoding
12. VRAM-Empfehlungen
13. Bereitstellungsmethoden
14. Benchmarks
15. Uncensored-Optimierung
16. Lizenz
17. Kontakt

1. Modellübersicht

MoziAI-35B-V3.8 ist ein lokal bereitstellbares Open-Source-Multimodal-KI-Modell, entwickelt vom Team des chinesischen Finanz-Influencers Chen Yumo. Basierend auf dem Open-Source-Fundament Ornith-1.5-35B-A3B (Qwen3.5-35B-A3B / Qwen3.6-35B-A3B-Architektur, MoE 35B, MIT-Lizenz) integriert es die selbst entwickelten Finanzdaten + Finanzbereichsfähigkeiten + dynamisches 7-dimensionales Denkframework + Agent-LOOP-Reflexionsmechanismus + Uncensored-Eigenschaft + MoziSmartBit-Hybridquantisierungsalgorithmus.

💡 Größen-Vorteil: nur 15,9 GB — Das 35B-Parametermodell (MoE) wird durch die eigene MoziSmartBit-Quantisierung auf nur 15,9 GB komprimiert (ca. 30 % kleiner als Standard-Q4_K_M ~22 GB). Es passt in ein einziges Installationspaket, läuft auf normalen Consumer-GPUs (ab 20 GB VRAM), senkt Cloud-Token-Kosten auf 0, ermöglicht 7×24 Stunden Token-Freiheit und gewährleistet lokale Datensouveränität. Kostenlose kommerzielle Nutzung – null Einstiegshürde.

2. Hauptmerkmale

🧠 Dynamisches 7-Dimensionales Denkframework

Das selbst entwickelte Kerninferenzframework von MoziAI. Für jede Aufgabe gibt das Modell zunächst einen moziAI-Think-Marker aus und entfaltet dann dynamisch strukturiertes Denken je nach Aufgabenkomplexität:

Ebene	Szenario	Typische Aufgaben	Entfaltete Dimensionen
Ebene 0	Einfache Q&A	Begriffserklärung, Faktenabfrage, Übersetzung, Zusammenfassung	①Aufgabe verstehen ⑤Ressourcenbedarf (2-Dimensionen-Schnellantwort)
Ebene 1	Analyse/Diagnose	Marktforschung, Textverfassung, Datenanalyse, Berichtsauswertung, Strategiebewertung	①②③⑤⑥ Fünf-Dimensionen-Bewertung
Ebene 2	Komplexe Entwicklung/Strategie	Code-Entwicklung, Architekturdesign, Quant-Strategie, Multi-Step-Workflows, Systemdesign	①②③④⑤⑥⑦ Vollständige 7-Dimensionen-Tiefenanalyse

7 Dimensionen: ①Aufgabe verstehen ②Komplexität bewerten ③Abhängigkeiten ④Risiko bewerten ⑤Ressourcenbedarf ⑥Abnahmekriterien ⑦Ausführungsstrategie

🔄 Agent-LOOP-Iterationsmechanismus

Komplexe Aufgaben laufen automatisch in den moziAI-Loop-Iterationsmodus: Runde 1 Ausführen+Bewerten → Runde 2 Anpassen+Verifizieren — die Ausgabe wird selbst validiert, bevor die endgültige Antwort erfolgt. Wie ein Senior-Engineer arbeitet das Modell „Problem zerlegen → Plan bewerten → ausführen → reflektieren → optimieren" und verbessert so Genauigkeit und Ausführbarkeit komplexer Aufgaben deutlich. Einfache Q&A überspringt den Loop automatisch.

📦 MoziSmartBit-Smart-Quantisierung

Selbst entwickelte, geschichtete Smart-Quantisierung komprimiert das 35-Milliarden-Parameter-MoE-Modell auf etwa 15,5 GB — rund 6,5 GB (~~30 %) kleiner als Standard-Q4_K_M (~~22 GB) bei ~99 % FP16-Genauigkeit. Herkömmliche Quantisierung nutzt einheitliche Präzision für alle Schichten; MoziSmartBit nutzt eine intelligente Differenzstrategie für die MoE-Struktur mit besserer Genauigkeit als Q4_K_M. Kompressionsverhältnis: 4,5x.

💰 Finanzbereich-Fokus

Tief optimiert für Finanz-Q&A, Quant-Programmierung und Tool-Aufrufe. Der Finanzbereich toleriert Halluzinationen kaum — MoziAI übertrifft gleich große allgemeine Modelle hier deutlich.

🛡️ Uncensored-Eigenschaft

Keine Inhaltsbeschränkungen, freie Ausgabe, vollständige Informationen, lokale Privatsphäre. Geeignet für akademische Forschung, Tiefenanalyse, freie Diskussion (siehe Abschnitt 15).

🌐 Weitere Merkmale

Mehrsprachig: 201 Sprachen und Dialekte, Chinesisch besonders optimiert
Allgemeine Programmierung: Full-Stack, Debugging, Architekturdesign (Python/JS/TS/Go/Rust)
Schreiben: Berichte, Analysen, technische Dokumente, kreative Inhalte
Bildverständnis: Multimodal, versteht lokale Screenshots
Multi-Framework: llama.cpp / Ollama / LM Studio / Jan
Multi-Agent: OpenClaw / Hermes / Cursor / Claude Code / Codex usw., native Tool-Aufrufe und Multi-Round-Orchestrierung

3. Versionshinweise

V3.8 wurde mit dem gleichaltrigen, selbst entwickelten Trainingsdatensatz-System wie 27B-V3.8 (Identität / dynamisches 7-Dimensionales Denken / LOOP-Iteration / Finanzbereich) neu trainiert — mit verstärktem dynamischem 7-Dimensionalen Denken + LOOP-Inferenzmodus: bessere Komplexitätserkennung, höhere Komplettierungsraten bei komplexen Aufgaben, stärkere „Erst denken, dann handeln"-Fähigkeit. Die Uncensored-Eigenschaft und die Finanzoptimierung bleiben erhalten.

MoziAI hält einen aktiven Upgrade-Rhythmus, bleibt an der Spitze der KI-Entwicklung und macht lokale KI-Modelle durch eigene Technologie ständig leichter und leistungsfähiger.

4. Kernkompetenzen

Kompetenz	Beschreibung
Marktanalyse	Makro/mikroökonomische Einordnung, A-Aktien/HK/US/Commodities/Krypto
Finanzen & Berichte	Bilanzkennzahlen, Berichtszusammenfassungen, Bewertung & Prognose
Risiko & Compliance	Produktrisiko, Anlage-Compliance, Regulierung
Quant & Strategie	Quant-Strategiedesign, Pyramid/PEL, Backtesting, Faktoren, Tool-Aufrufe
Tool-Aufrufe	Anbindung an Live-Marktdaten, Datenbanken, Recherche

5. Technische Spezifikationen

Punkt	Spezifikation
Basismodell	Ornith-1.5-35B-A3B (Qwen3.5-35B-A3B / Qwen3.6-35B-A3B, MIT)
Parameter	35B MoE, 256 Routing-Experten + 1 Shared Expert, 8 Experten pro Token aktiv
Quantisierung	MoziSmartBit + GGUF-Standard
Kontextlänge	256K (262.144 Tokens)
Modellgröße	~15,5 GB
Mindest-VRAM	20GB+ bereitstellbar (CPU-Offload); 24GB+ flüssig langer Kontext; 32GB+ voll 256K + Vision
Frameworks	llama.cpp / Ollama / LM Studio / Jan
Inferenzgeschwindigkeit	Mit spekulativem Decoding: AMD R9700 140+ tok/s / AMD MAX+395 70+ tok/s
Entwickler	Chen Yumo Team

6. Schnellstart 3 Dateien 100 beste Inferenz

⚠️ Wichtig: Für die beste Inferenz müssen 3 Dateien zusammen heruntergeladen werden — Hauptmodell, Vision-Projektor, Chat-Template. Fehlt eine, geht die entsprechende Fähigkeit verloren.

6.1 Modell-Dateien herunterladen

Laden Sie diese 3 Dateien von HuggingFace / ModelScope in denselben lokalen Ordner (Hauptmodell im Repo-Root, Vision-Projektor unter mmproj/35B/, Chat-Template unter V3.8/):

moziAI-35B-V3.8-MOE-MTP-Q4_K_M-Uncensored-Qwen3.6-35B-A3B-Ornith-1.5.gguf  ← Hauptmodell (erforderlich, 15,5 GB)
moziAI-35B-mmproj-BF16-V1.0.gguf                        ← Vision-Projektor (erforderlich, ~1 GB)
moziAI-V3.8-35B-chat-template.jinja                                        ← Chat-Template (erforderlich, 7-Denken+LOOP)

6.2 Starten und verwenden

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

Öffnen Sie http://localhost:8080 im Browser. Vollständige Parameter in Abschnitt 9.

7. Modell-Downloads

Plattform	Adresse
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`

💡 LM-Studio-Nutzer: Suchen Sie moziAI in LM Studio und laden Sie mit einem Klick herunter.

8. Startbefehle

Minimaler Start (mit 3 Dateien)

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

Vollständiger empfohlener Start

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

💡 Bei wenig VRAM: -c verringern (z. B. 131072) oder --fit on hinzufügen.

9. Empfohlene Inferenzparameter

Optimiert durch lokale Tests (AMD Radeon AI PRO R9700 32GB):

Parameter	Tägliche Aufgaben/Texten	Komplexe Aufgaben/Programmierung	Beschreibung
temperature	0,6	0,8	Täglich stabil; komplex: moderate Exploration
top_p	0,95	0,95	Nucleus-Sampling
top_k	20	20	Truncated Sampling
min_p	0,024	0,024	Min.-Wahrscheinlichkeitsfilter
repeat_penalty	1,05	1,05	Wiederholungsstrafe
presence_penalty	0	0	Keine Präsenzstrafe
context_length	131072	262144	Alltag 128K / Komplex 256K (llama.cpp Standard 128K)
reasoning	on	on	Reasoning-Kette (CoT)
reasoning_budget	400	1000	Reasoning-Budget (komplex höher)
reasoning_format	deepseek-legacy	deepseek-legacy	Reasoning in separatem Feld
spec-type	default	default	Spekulatives Decoding (ngram, MoE-optimal, Abschnitt 11)
KV-Cache	q4_0	q4_0	Quantisierter KV-Cache (kv-unified)

💡 Denkmodus: Aktivieren mit --reasoning on — das Modell denkt intern, bevor es antwortet. reasoning_budget begrenzt die Denk-Tokens.

10. Quantisierungsformatvergleich

Format	Größe	Genauigkeit	Beschreibung
FP16 Original	~70 GB	100 %	Verlustfrei, Profi-GPU nötig
MoziSmartBit (dieses Modell)	~15,5 GB	~99 %	Selbst entwickelt, beste Genauigkeit/Größe
Q4_K_M	~22 GB	~98 %	GGUF-Standard 4-bit
Q5_K_M	~24,7 GB	~99 %	Höhere Genauigkeit
Q6_K	~28,5 GB	~99,5 %	Fast verlustfrei
Q8_0	~36,9 GB	~100 %	Verlustfrei

MoziSmartBit hält ~99 % Genauigkeit und komprimiert 35B MoE auf 15,5 GB (4,5x), ~30 % kleiner als Q4_K_M.

11. Spekulatives Decoding Schlüsselfunktion

Dieses Modell beschleunigt die Inferenz durch spekulatives Decoding um ~1,5-2x (lokal gemessen).

MoE-optimal: llama.cpp empfiehlt ngram (--spec-default) für MoE — am schnellsten und stabilsten im Test
Zum „MTP" im Namen: stammt von den Multi-Token-Prediction-Gewichten der Basis (vollständig erhalten); llama.cpps MTP-Draft-Unterstützung für MoE ist begrenzt, daher nutzt MoziAI ngram

--spec-default

12. VRAM-Empfehlungen

Gemessen mit MoziSmartBit-Build (Modell + Vision ~16,4 GB):

VRAM	Empfehlung	Beschreibung
20 GB	150K Kontext, q4_0, Vision	~19,5 GB Nutzung
24 GB	Voll 256K, q4_0, Vision perfekt	Empfohlen: ~20,4 GB, ~3,6 GB Reserve
32 GB+	Voll 256K, viel Reserve	R9700 32GB: ~10 GB Reserve

💡 Längerer Kontext = mehr VRAM. Bei OOM -c reduzieren oder --fit on. NVIDIA / AMD unterstützt.

13. Bereitstellungsmethoden

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

Suchen Sie moziAI in LM Studio / Jan und laden Sie die Q4_K_M-Version (LM Studio liest Standard-Root-Modelle; für ältere Versionen „aus URL hinzufügen" verwenden).

💡 Ollamas mmproj- und chat_template-Unterstützung ist begrenzt — llama.cpp für volle Funktionen.

14. Benchmarks

MoziAI-35B-V3.8 basiert auf deepreinforce-ai/Ornith-1.5-35B-A3B (Feinabstimmung/Destillation). Daten aus V3.7-Messungen (V3.8 = gleiche Basis und Trainingssystem):

Benchmark	moziAI-35B-V3.8 (dieses Modell)	Ornith-1.0-35B-A3B	Qwen3.6-35B-A3B	Gemma-4-31B	Muse-Glimmer-30B	Qwen3.5-397B
Programmierung
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
Reasoning
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
Agentisch
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

Im Finanzbereich (Bilanzen, Quant, Risiko, Agent-Tools) deutlich besser als allgemeine Modelle. Gemma-4 / Qwen3.6 sind offizielle Ergebnisse.

15. Uncensored-Optimierung

Dieses Modell erbt die Uncensored-Eigenschaft von Ornith-1.5-35B-A3B:

Vorteil	Beschreibung
Keine Einschränkungen	Lehnt kein Thema ab, auch sensible
Freie Ausgabe	Keine Sicherheitspolitik-Grenzen
Vollständige Infos	Ungefiltert, ideal für Forschung
Lokale Privatsphäre	Daten vollständig privat

Hinweis: Lokales Modell — die Ausgabe wird vom Nutzer kontrolliert; das Modell trägt keine Moderatonsverantwortung.

16. Lizenz

Benutzerdefinierte restriktive Lizenz:

✅ Erlaubt — kostenlose kommerzielle Nutzung, Kopie, Verteilung
❌ Verboten — Weiterentwicklung, Weiterverkauf, Unterlizenzierung
📋 Erforderlich — Urheberrechtshinweis, Quelle: moziAI-35B

Modell „wie besehen" ohne Garantien. Ausgabe ist keine Anlageberatung.

17. Kontakt

HuggingFace: @chenyumo · GitHub: @chenyumo166
Weibo: @rimochen · E-Mail: 263515@qq.com