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.id.md

chenyumo

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

49d4230 verified 3 days ago

preview code

Raw

History Blame Contribute Delete

21 kB

metadata

language:
  - id
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 — Model AI Multimodal Kecil tapi Hebat, Bisa Dijalankan Lokal Secara Gratis

Tanggal Rilis: 2026-09-01 · Versi: V3.8

📑 Daftar Isi

1. Ikhtisar Model
2. Fitur Utama — Pemikiran Tujuh Dimensi Dinamis / LOOP / MoziSmartBit / Fokus Finansial
3. Catatan Upgrade Versi
4. Kemampuan Inti
5. Spesifikasi Teknis
6. Mulai Cepat — unduh 3 file
7. Unduh Model
8. Perintah Menjalankan
9. Parameter Inferensi yang Direkomendasikan
10. Perbandingan Format Kuantisasi
11. Akselerasi Decoding Spekulatif
12. Rekomendasi Konfigurasi VRAM
13. Metode Deployment
14. Benchmark
15. Optimasi Uncensored
16. Lisensi
17. Kontak

1. Ikhtisar Model

MoziAI-35B-V3.8 adalah model AI multimodal open-source yang dapat di-deploy secara lokal, dikembangkan oleh tim Chen Yumo, tokoh influencer keuangan ternama China. Dibangun di atas basis open-source Ornith-1.5-35B-A3B (arsitektur Qwen3.5-35B-A3B / Qwen3.6-35B-A3B, MoE 35B, lisensi MIT), menggabungkan data finansial yang dikembangkan sendiri + kemampuan domain finansial + kerangka pemikiran tujuh dimensi dinamis + mekanisme iterasi refleksi LOOP agen + karakteristik Uncensored + algoritma kuantisasi hibrida MoziSmartBit.

💡 Keunggulan Ukuran: hanya 15,9 GB — model MoE 35 miliar parameter dikompresi menjadi hanya 15,9 GB melalui kuantisasi cerdas MoziSmartBit yang dikembangkan sendiri (sekitar 30% lebih kecil dari Q4_K_M standar ~22GB). Muat dalam satu paket instalasi, berjalan di GPU konsumen biasa (20GB VRAM+), mengurangi biaya token cloud menjadi nol, mewujudkan kebebasan token 7×24 jam dan memastikan privasi serta keamanan data lokal. Dilisensikan untuk penggunaan komersial gratis — tanpa hambatan bagi individu dan perusahaan.

2. Fitur Utama

🧠 Kerangka Pemikiran Tujuh Dimensi Dinamis

Kerangka penalaran inti yang dikembangkan sendiri oleh MoziAI. Untuk tugas apa pun, model pertama-tama mengeluarkan penanda moziAI-Think, kemudian mengembangkan pemikiran terstruktur secara dinamis berdasarkan kompleksitas tugas:

Level	Skenario	Tugas Khas	Dimensi yang Dibuka
Level 0	Tanya jawab sederhana	Penjelasan istilah, pencarian fakta, terjemahan, ringkasan	①Memahami tugas ⑤Kebutuhan sumber daya (jawaban cepat 2 dimensi)
Level 1	Analisis & diagnosis	Riset pasar, penulisan konten, analisis data, membaca laporan, evaluasi strategi	①②③⑤⑥ Evaluasi lima dimensi
Level 2	Pengembangan/strategi kompleks	Pengembangan kode, desain arsitektur, pengembangan strategi kuant, alur kerja multi-langkah, desain sistem	①②③④⑤⑥⑦ Penalaran mendalam penuh tujuh dimensi

Tujuh dimensi: ①Memahami tugas ②Menilai kompleksitas ③Hubungan ketergantungan ④Menilai risiko ⑤Kebutuhan sumber daya ⑥Kriteria penerimaan ⑦Strategi eksekusi

🔄 Mekanisme Iterasi LOOP Agen

Tugas kompleks otomatis masuk ke mode iterasi moziAI-Loop: Putaran 1 eksekusi + evaluasi → Putaran 2 penyesuaian + verifikasi, memastikan output melewati validasi mandiri sebelum memberikan jawaban akhir. Model bekerja seperti insinyur senior: «memecah masalah → mengevaluasi solusi → mengeksekusi → merefleksi → mengoptimalkan», meningkatkan akurasi dan keterlaksanaan tugas kompleks secara signifikan. Tanya jawab dan tugas sederhana otomatis menonaktifkan Loop.

📦 Kuantisasi Cerdas MoziSmartBit

Kuantisasi berlapis cerdas yang dikembangkan sendiri: model MoE 35 miliar parameter dikompresi menjadi sekitar 15,9 GB, sekitar 6,5 GB (~~30%) lebih kecil dari Q4_K_M standar (~~22 GB), dengan mempertahankan akurasi ~99% FP16. Kuantisasi tradisional menerapkan presisi seragam ke semua lapisan; MoziSmartBit menggunakan strategi diferensiasi cerdas yang disesuaikan dengan struktur MoE, dengan akurasi lebih baik dari Q4_K_M. Rasio kompresi mencapai 4,5x.

💰 Fokus Domain Finansial Vertikal

Optimasi mendalam untuk tanya jawab finansial, pemrograman kuantitatif, dan pemanggilan alat. Domain finansial memiliki toleransi sangat rendah terhadap halusinasi model, dan MoziAI menunjukkan kinerja jauh lebih baik daripada model umum berukuran sama di domain ini.

🛡️ Karakteristik Uncensored

Tanpa batasan penyaringan konten, output bebas, informasi lengkap, privasi lokal. Cocok untuk riset akademis, analisis mendalam, diskusi bebas, dll. (Lihat Bagian 15).

🌐 Fitur Lainnya

Dukungan multibahasa: 201 bahasa dan dialek, dengan optimasi khusus untuk bahasa Mandarin
Pemrograman umum: pengembangan full-stack, debugging kode, desain arsitektur, mencakup Python/JS/TS/Go/Rust
Penulisan artikel: penulisan berkualitas tinggi multi-genre seperti laporan riset, artikel analisis, dokumen teknis, konten kreatif
Pemahaman visual: visi multimodal, mendukung pemahaman konten gambar dari screenshot lokal
Dukungan multi-framework: llama.cpp / Ollama / LM Studio / Jan
Dukungan multi-Agent: OpenClaw / Hermes / Cursor / Claude Code / Codex, dengan pemanggilan alat native dan orkestrasi tugas multi-putaran

3. Catatan Upgrade Versi

Versi V3.8 dilatih ulang menggunakan sistem dataset pelatihan yang dikembangkan sendiri dari generasi yang sama dengan 27B-V3.8 (identitas / pemikiran tujuh dimensi dinamis / iterasi LOOP / domain finansial vertikal), dengan fokus memperkuat mode penalaran «pemikiran tujuh dimensi dinamis + iterasi LOOP» yang dikembangkan sendiri oleh moziAI, membuatnya lebih cerdas mengenali kompleksitas tugas, tingkat penyelesaian tugas kompleks lebih tinggi, meningkatkan kemampuan «berpikir dulu, baru bertindak»; sekaligus melanjutkan karakteristik Uncensored dan optimasi mendalam domain finansial vertikal.

moziAI akan menjaga frekuensi pembaruan versi yang aktif, memastikan mengikuti perkembangan AI masa depan, dan terus melalui teknologi sendiri membuat model AI lokal lebih ringan untuk di-deploy dan semakin mampu.

4. Kemampuan Inti Domain Finansial

Bidang Kemampuan	Deskripsi
Analisis Pasar	Interpretasi ekonomi makro/mikro, analisis pasar A/HK/US/komoditas/kripto dan logikanya
Keuangan & Laporan	Interpretasi indikator kunci laporan keuangan, ekstraksi ringkasan riset, bantuan valuasi & proyeksi laba
Risiko & Kepatuhan	Penilaian risiko produk, pengingat kepatuhan saran investasi, interpretasi kebijakan regulasi finansial
Kuant & Strategi	Desain ide strategi kuantitatif, kuantisasi Pyramid (PEL), logika backtest, konstruksi faktor & pemanggilan alat
Pemanggilan Alat	Terhubung ke sumber data pasar real-time, database, pencarian riset finansial

5. Spesifikasi Teknis

Item	Spesifikasi
Model Dasar	Ornith-1.5-35B-A3B (arsitektur Qwen3.5-35B-A3B / Qwen3.6-35B-A3B, lisensi MIT)
Ukuran Parameter	35 miliar (35B) arsitektur MoE, 256 expert routing + 1 expert bersama, 8 expert aktif per token
Metode Kuantisasi	Kuantisasi cerdas MoziSmartBit + format standar GGUF
Panjang Konteks	256K (262.144 token)
Ukuran Model	~15,9 GB
VRAM Minimum	20GB+ dapat di-deploy (offload CPU); 24GB+ konteks panjang lancar; 32GB+ 256K penuh + visi
Framework Inferensi	llama.cpp / Ollama / LM Studio / Jan
Kecepatan Inferensi	Dengan decoding spekulatif: GPU AMD R9700 hingga 140+ token/s / AMD MAX+395 CPU iGPU hingga 70+ token/s
Tim Pengembang	Tim Chen Yumo

6. Mulai Cepat 3 File 100 Aktivasi Kemampuan Inferensi Terbaik

⚠️ Poin Penting: Kemampuan inferensi terbaik MoziAI memerlukan unduh 3 file sekaligus — model utama, proyektor visi, template chat. Kehilangan salah satu akan mengurangi kemampuan terkait.

6.1 Unduh File Model

Unduh 3 file ini dari HuggingFace / ModelScope ke direktori lokal yang sama (model utama di root repositori, proyektor visi di mmproj/35B/, template chat di V3.8/):

moziAI-35B-V3.8-MOE-MTP-Q4_K_M-Uncensored-Qwen3.6-35B-A3B-Ornith-1.5.gguf  ← Model utama (wajib, 15,9 GB)
moziAI-35B-mmproj-BF16-V1.0.gguf                        ← Proyektor visi (wajib, ~1 GB)
moziAI-V3.8-35B-chat-template.jinja                                        ← Template chat (wajib, berisi instruksi pemikiran + Loop)

File	Ukuran	Kebutuhan	Fungsi
Model utama `.gguf`	~15,9 GB	Wajib	Bobot model, kemampuan inferensi inti
Proyektor visi `mmproj`	~1 GB	Wajib	Pemahaman visual multimodal, tanpa ini kehilangan kemampuan gambar
Template chat `.jinja`	Sangat kecil	Wajib	Menyuntikkan identitas MoziAI + instruksi pemikiran tujuh dimensi + mekanisme LOOP

6.2 Menjalankan dan Menggunakan

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

Buka http://localhost:8080 di browser untuk memulai percakapan. Parameter lengkap yang direkomendasikan ada di Bagian 9.

7. Unduh Model

Platform	URL
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`

💡 Pengguna LM Studio: cari moziAI di LM Studio untuk unduh sekali klik, tanpa perlu mengunduh file manual.

💡 Tips unduh: klik tautan di atas untuk masuk ke repositori HuggingFace, buka tab "Files and versions", unduh model utama dari root repositori, lalu unduh proyektor visi dari mmproj/35B/ dan template chat dari V3.8/, pastikan ketiga file berada di direktori yang sama.

8. Perintah Menjalankan

Menjalankan Paling Sederhana (dengan 3 file)

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

Menjalankan Penuh yang Direkomendasikan

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

💡 Jika VRAM terbatas: turunkan -c (misal 131072), atau tambahkan --fit on agar llama.cpp menyesuaikan VRAM secara otomatis.

9. Parameter Inferensi yang Direkomendasikan

Dioptimalkan dari pengujian lokal (AMD Radeon AI PRO R9700 32GB):

Parameter	Tugas Harian / Menulis	Tugas Kompleks / Coding Lanjutan	Keterangan
temperature	0,6	0,8	Stabilitas harian; eksplorasi moderat untuk coding kompleks
top_p	0,95	0,95	Ambang sampling nukleus
top_k	20	20	Sampling terpotong
min_p	0,024	0,024	Filter probabilitas minimum
repeat_penalty	1,05	1,05	Penalti pengulangan
presence_penalty	0	0	Tanpa penalti kehadiran
context_length	131072	262144	Harian 128K / Kompleks 256K (default llama.cpp 128K)
reasoning	on	on	Aktifkan rantai penalaran (CoT)
reasoning_budget	400	1000	Anggaran token penalaran (lebih tinggi untuk tugas kompleks)
reasoning_format	deepseek-legacy	deepseek-legacy	Output penalaran ke field terpisah
spec-type	default	default	Akselerasi decoding spekulatif (ngram, optimal MoE, lihat Bagian 11)
Cache KV	q4_0	q4_0	Cache KV terkuantisasi (kv-unified)

💡 Mode berpikir: diaktifkan via --reasoning on — model menalar secara internal sebelum menjawab. reasoning_budget membatasi token berpikir maksimum.

10. Perbandingan Format Kuantisasi

Format	Ukuran	Akurasi	Keterangan
FP16 asli	~70 GB	100%	Tanpa loss, butuh GPU profesional
MoziSmartBit (model ini)	~15,9 GB	~99%	Kuantisasi cerdas buatan sendiri, akurasi terbaik per ukuran
Q4_K_M	~22 GB	~98%	GGUF standar 4-bit
Q5_K_M	~24,7 GB	~99%	Akurasi lebih tinggi
Q6_K	~28,5 GB	~99,5%	Hampir tanpa loss
Q8_0	~36,9 GB	~100%	Tanpa loss

MoziSmartBit mempertahankan akurasi ~99% sambil mengompresi model MoE 35B menjadi 15,9 GB (rasio kompresi 4,5x), ~30% lebih kecil dari Q4_K_M — ideal untuk deployment lokal di GPU konsumen.

11. Akselerasi Decoding Spekulatif Fitur Penting

Model ini meningkatkan kecepatan inferensi secara signifikan melalui Decoding Spekulatif (Speculative Decoding) — diukur lokal ~1,5-2x lebih cepat daripada saat dinonaktifkan.

Konfigurasi optimal MoE: llama.cpp merekomendasikan decoding spekulatif ngram (--spec-default) untuk arsitektur MoE — tercepat dan paling stabil dalam pengujian lokal
Tentang "MTP" di nama: "MTP" merujuk pada bobot Multi-Token Prediction bawaan model dasar (dipertahankan penuh); dukungan draft MTP llama.cpp untuk MoE terbatas, jadi MoziAI menggunakan skema ngram untuk kecepatan terbaik yang terukur

Parameter Aktivasi

--spec-default

Saran Penyesuaian

Konfigurasi	Skenario
--spec-default (default)	Direkomendasikan: keseimbangan kecepatan & VRAM
Nonaktifkan (hapus parameter)	Skenario VRAM rendah; sedikit lebih lambat

12. Rekomendasi Konfigurasi VRAM

Diukur pada build MoziSmartBit (model + visi total ~16,4 GB):

VRAM	Konfigurasi yang Direkomendasikan	Keterangan
20 GB	Konteks 150K, cache KV q4_0, dukung visi	Model+visi ~16,4 GB, 256K+visi hanya ~19,5 GB VRAM
24 GB	256K penuh, cache KV q4_0, dukungan visi sempurna	Konfigurasi yang direkomendasikan: visi+konteks panjang 256K ~20,4 GB, sisa ~3,6 GB
32 GB+	256K penuh, sisa VRAM cukup	Seperti R9700 32GB: visi+konteks panjang 256K, sisa ~10 GB, konfigurasi terkuat

💡 Semakin panjang konteks, semakin banyak VRAM yang digunakan. Saat OOM turunkan -c bertahap. Gunakan --fit on agar llama.cpp menyesuaikan jumlah lapisan otomatis. Mendukung semua kartu NVIDIA / AMD.

13. Metode Deployment

Deployment 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

Cari moziAI di LM Studio / Jan, pilih versi kuantisasi Q4_K_M untuk diunduh (LM Studio default membaca model dari root repositori; untuk versi historis gunakan "tambah dari URL" untuk mengimpor file dari folder versi yang sesuai, misal V3.7/).

💡 Dukungan Ollama untuk mmproj dan chat_template terbatas, disarankan menggunakan llama.cpp terlebih dahulu untuk fungsionalitas lengkap.

14. Benchmark

MoziAI-35B-V3.8 didasarkan pada fine-tuning, distilasi, dan pengembangan sekunder dari base deepreinforce-ai/Ornith-1.5-35B-A3B, dengan domain finansial vertikal sebagai arah optimasi inti. Berikut perbandingan multi-model (kemampuan umum MoziAI sama dengan base Ornith-1.5-35B-A3B; data menggunakan pengukuran versi V3.7, V3.8 dan V3.7 memiliki base dan sistem pelatihan yang sama):

Benchmark	moziAI-35B-V3.8 (model ini)	Ornith-1.0-35B-A3B	Qwen3.6-35B-A3B	Gemma-4-31B	Muse-Glimmer-30B	Qwen3.5-397B
Tes pemrograman
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
Tes penalaran
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
Tes agen
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

Domain finansial vertikal MoziAI-35B adalah arah optimasi inti MoziAI, dengan kinerja jauh lebih baik daripada model umum dalam interpretasi laporan keuangan, strategi kuant, kepatuhan manajemen risiko, dan pemanggilan alat agen. Data Gemma-4 / Qwen3.6 adalah hasil evaluasi resmi yang dipublikasikan.

15. Optimasi Uncensored

Model ini mewarisi karakteristik Uncensored (tanpa sensor) dari base Ornith-1.5-35B-A3B, dengan keunggulan berikut:

Keunggulan	Deskripsi
Tanpa batasan penyaringan	Tidak menolak topik apa pun, termasuk konten sensitif dan kontroversial
Output bebas	Tidak dibatasi kebijakan keamanan, dapat menghasilkan jenis respons apa pun
Informasi lengkap	Menyediakan informasi lengkap tanpa filter, cocok untuk riset dan analisis
Privasi lokal	Deployment lokal berarti data sepenuhnya privat, tanpa penyaringan cloud

Skenario penggunaan: riset akademis, analisis mendalam, diskusi bebas, percakapan AI tanpa batas.

Catatan: Ini adalah model deployment lokal — output sepenuhnya dikendalikan pengguna; model tidak memikul tanggung jawab moderasi konten.

16. Lisensi

Model ini menggunakan lisensi restriktif kustom:

✅ Diizinkan — penggunaan komersial gratis, menyalin dan mendistribusikan
❌ Dilarang — pengembangan lanjutan, penjualan ulang, sub-lisensi
📋 Diwajibkan — mempertahankan pemberitahuan hak cipta asli, mencantumkan sumber: moziAI-35B

Model disediakan "sebagaimana adanya" tanpa jaminan apa pun. Output model hanya untuk referensi dan tidak merupakan saran investasi. Pengguna menanggung semua risiko.

Lihat file LICENSE untuk ketentuan lengkap.

17. Kontak

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