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.ko.md

chenyumo

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

f9c2cf0 verified 3 days ago

preview code

Raw

History Blame Contribute Delete

19.5 kB

metadata

language:
  - ko
  - 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 — 무료 로컬 배포 가능한 작지만 강력한 멀티모달 AI 모델

출시일: 2026-09-01 · 버전: V3.8

📑 목차

1. 모델 개요
2. 주요 특징 — 동적 7차원 사고 / LOOP / MoziSmartBit / 금융 특화
3. 버전 업그레이드 정보
4. 핵심 역량
5. 기술 사양
6. 빠른 시작 — 3파일 세트
7. 모델 다운로드
8. 실행 명령
9. 권장 추론 파라미터
10. 양자화 형식 비교
11. 투기적 디코딩 가속
12. VRAM 설정 권장
13. 배포 방법
14. 벤치마크
15. Uncensored 최적화
16. 라이선스
17. 연락처

1. 모델 개요

MoziAI-35B-V3.8은 중국 금융 인플루언서 천위모(陳雨墨) 팀이 개발한 로컬 배포 가능한 오픈소스 멀티모달 AI 대규모 모델입니다. 오픈소스 베이스 Ornith-1.5-35B-A3B(Qwen3.5-35B-A3B / Qwen3.6-35B-A3B 아키텍처, MoE 35B, MIT 라이선스)를 기반으로, 팀 자체 개발 금융 데이터 + 금융 영역 역량 + 동적 7차원 사고 체계 + 에이전트 LOOP 반복 메커니즘 + Uncensored 특성 + MoziSmartBit 하이브리드 양자화 알고리즘을 통합했습니다.

💡 크기 장점: 단 15.9GB — 350억 파라미터 MoE 모델이 자체 개발 MoziSmartBit 양자화로 15.9 GB(표준 Q4_K_M ~22GB보다 약 30% 작음)로 압축되었습니다. 단일 패키지로 이동 가능하며, 일반 소비자용 GPU(20GB VRAM 이상)에서 실행되고, 클라우드 token 비용은 0, 7×24시간 token 자유를 실현하며 로컬 데이터 프라이버시를 보장합니다. 상업 무료 라이선스 — 진입 장벽 제로.

2. 주요 특징

🧠 동적 7차원 사고 체계

MoziAI 자체 개발 핵심 추론 프레임워크. 모든 작업에 대해 모델은 먼저 moziAI-Think 마커를 출력하고, 작업 복잡도에 따라 구조화된 사고를 동적으로 전개합니다:

레벨	적용 시나리오	대표 작업	전개 차원
Level 0	간단 Q&A	용어 설명, 사실 조회, 번역, 요약	①작업 이해 ⑤리소스 요구(2차원 즉답)
Level 1	분석·진단	시장 조사, 문서 작성, 데이터 분석, 리포트 해석, 전략 평가	①②③⑤⑥ 5차원 평가
Level 2	복잡 개발/전략	코드 개발, 아키텍처 설계, 퀀트 전략 개발, 다단계 워크플로, 시스템 설계	①②③④⑤⑥⑦ 전체 7차원 심층 추론

7차원: ①작업 이해 ②복잡도 평가 ③의존 관계 ④리스크 평가 ⑤리소스 요구 ⑥수용 기준 ⑦실행 전략

🔄 에이전트 LOOP 반복 메커니즘

복잡한 작업은 자동으로 moziAI-Loop 반복 모드에 진입합니다: 1라운드 실행+평가 → 2라운드 조정+검증. 출력은 자체 검증을 거친 후 최종 답변이 반환됩니다. 모델은 시니어 엔지니어처럼「문제 분해 → 플랜 평가 → 실행 → 반성 → 최적화」를 수행하여 복잡 작업의 정확성과 실행 가능성을 크게 향상시킵니다. 간단한 Q&A는 Loop를 자동으로 건너뜁니다.

📦 MoziSmartBit 스마트 양자화

자체 개발 계층형 스마트 양자화로 350억 파라미터 MoE 모델을 약 15.9 GB로 압축. 일반 Q4_K_M(약 22 GB)보다 약 6.5 GB(약 30%) 작고 FP16의 약 99% 정확도를 유지합니다. 기존 양자화는 모든 레이어에 균일 정밀도를 사용하지만, MoziSmartBit은 MoE 구조에 특화된 스마트 차별화 전략으로 Q4_K_M보다 높은 정확도를 제공합니다. 압축비 4.5x.

💰 금융 수직 영역 집중

금융 Q&A, 퀀트 프로그래밍, 도구 호출에 깊이 최적화. 금융 분야는 환각 허용도가 극히 낮아 MoziAI는 동급 크기의 범용 모델보다 명확히 우수합니다.

🛡️ Uncensored 특성

콘텐츠 심사 없음, 자유 출력, 완전한 정보, 로컬 프라이버시. 학술 연구, 심층 분석, 자유 토론 등에 적합합니다(15절 참조).

🌐 기타 특징

다국어 지원: 201개 언어·방언, 중국어 능력 특별 최적화
일반 프로그래밍: 풀스택 개발, 디버깅, 아키텍처 설계(Python/JS/TS/Go/Rust)
글쓰기: 리포트, 분석 기사, 기술 문서, 창작 등 다장르 고품질
시각 이해: 멀티모달, 로컬에서 스크린샷 이미지 이해
멀티 프레임워크: llama.cpp / Ollama / LM Studio / Jan
멀티 에이전트: OpenClaw / Hermes / Cursor / Claude Code / Codex 등, 네이티브 도구 호출과 멀티턴 작업 오케스트레이션

3. 버전 업그레이드 정보

V3.8은 27B-V3.8과 같은 세대의 자체 개발 학습 데이터셋 체계(아이덴티티 / 동적 7차원 사고 / LOOP 반복 / 금융 수직 영역)로 재학습되었으며, 동적 7차원 사고 + LOOP 반복 추론 모드를 중점 강화했습니다. 작업 복잡도 인식이 더 스마트해지고 복잡 작업 완료율이 향상되며「먼저 생각하고 행동」능력이 강화되었습니다. Uncensored 특성과 금융 수직 최적화도 지속됩니다.

moziAI는 활발한 버전 업그레이드를 지속하며 AI 발전에 뒤처지지 않고, 자체 기술로 로컬 AI 모델의 경량화와 역량 강화를 계속합니다.

4. 핵심 역량

역량 영역	설명
시장 분석	거시/미시 경제 해석, A주/홍콩/미국주/상품/암호화폐 시황과 논리 정리
재무·리포트	실적 지표 해석, 리포트 요약 추출, 밸류에이션·수익 예측 보조
리스크·컴플라이언스	상품 리스크 평가, 투자 조언 컴플라이언스, 금융 규제 정책 해석
퀀트·전략	퀀트 전략 설계, Pyramid/PEL 양자화, 백테스트, 팩터 구축, 도구 호출
도구 호출	실시간 시세, 데이터베이스, 리포트 검색 등 금융 데이터 소스 연결

5. 기술 사양

항목	사양
베이스 모델	Ornith-1.5-35B-A3B(Qwen3.5-35B-A3B / Qwen3.6-35B-A3B 아키텍처, MIT 라이선스)
파라미터 수	350억(35B) MoE, 256 라우팅 전문가 + 1 공유 전문가, 토큰당 8 전문가 활성
양자화	자체 MoziSmartBit 스마트 양자화 + GGUF 표준 형식
컨텍스트 길이	256K(262,144 tokens)
모델 크기	~15.9 GB
최소 VRAM	20GB+ 배포 가능(CPU 오프로드); 24GB+ 부드러운 장문맥; 32GB+ 완전 256K + 시각
추론 프레임워크	llama.cpp / Ollama / LM Studio / Jan
추론 속도	투기적 디코딩 시: AMD R9700 GPU 140+ tok/s / AMD MAX+395 iGPU 70+ tok/s — 로컬 token 자유
개발 팀	천위모 팀

6. 빠른 시작 3파일 100 최적 추론 활성화

⚠️ 핵심 팁: MoziAI의 최적 추론은 3개 파일을 동시에 다운로드해야 합니다 — 메인 모델, 비전 프로젝터, 채팅 템플릿. 하나라도 없으면 해당 능력이 손실됩니다.

6.1 모델 파일 다운로드

HuggingFace / ModelScope에서 이 3개 파일을 로컬 같은 폴더에 다운로드 (메인 모델은 리포지토리 루트, 비전 프로젝터는 mmproj/35B/, 채팅 템플릿은 V3.8/):

moziAI-35B-V3.8-MOE-MTP-Q4_K_M-Uncensored-Qwen3.6-35B-A3B-Ornith-1.5.gguf  ← 메인 모델(필수, 15.9 GB)
moziAI-35B-mmproj-BF16-V1.0.gguf                        ← 비전 프로젝터(필수, ~1 GB)
moziAI-V3.8-35B-chat-template.jinja                                        ← 채팅 템플릿(필수, 7차원 사고+Loop 지시)

파일	크기	필수	역할
메인 모델 `.gguf`	~15.9 GB	필수	모델 가중치, 핵심 추론
비전 `mmproj`	~1 GB	필수	멀티모달 시각, 미로드 시 이미지 능력 상실
채팅 템플릿 `.jinja`	미세	필수	MoziAI 아이덴티티 + 7차원 사고 + LOOP 지시 주입

6.2 실행 및 사용

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

브라우저에서 http://localhost:8080을 열어 대화 시작. 전체 권장 파라미터는 9절 참조.

7. 모델 다운로드

플랫폼	주소
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 사용자: LM Studio에서 moziAI 검색 후 원클릭 다운로드.

💡 다운로드 팁: HuggingFace 리포지토리 "Files and versions" 탭에서 리포지토리 루트에서 메인 모델, mmproj/35B/에서 비전 프로젝터, V3.8/에서 채팅 템플릿을 다운로드해 같은 폴더에 배치하세요.

8. 실행 명령

최소 실행(3파일 포함)

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

전체 권장 실행

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

💡 VRAM 부족 시: -c 낮추기(예: 131072) 또는 --fit on 추가로 자동 적합.

9. 권장 추론 파라미터

로컬 실측 최적화(AMD Radeon AI PRO R9700 32GB):

파라미터	일상 작업/문서 작성	복잡 작업/고급 코딩	설명
temperature	0.6	0.8	일상은 안정, 복잡 코딩은 적절한 탐색
top_p	0.95	0.95	핵 샘플링 임계값
top_k	20	20	절단 샘플링
min_p	0.024	0.024	최소 확률 필터
repeat_penalty	1.05	1.05	반복 페널티
presence_penalty	0	0	존재 페널티 없음
context_length	131072	262144	일상 128K / 복잡 256K (llama.cpp 기본 128K)
reasoning	on	on	추론 체인(CoT) 활성화
reasoning_budget	400	1000	추론 예산 token(복잡 작업 높게)
reasoning_format	deepseek-legacy	deepseek-legacy	추론을 별도 필드로 출력
spec-type	default	default	투기적 디코딩(ngram, MoE 최적, 11절 참조)
KV 캐시	q4_0	q4_0	양자화 KV 캐시(kv-unified)

💡 사고 모드: --reasoning on으로 활성화 — 답변 전 내부 추론. reasoning_budget은 최대 사고 token 수 제어.

10. 양자화 형식 비교

형식	크기	정확도	설명
FP16 원본	~70 GB	100%	무손실, 프로 GPU 필요
MoziSmartBit(본 모델)	~15.9 GB	~99%	자체 스마트 양자화, 최고 정확도/최소 크기
Q4_K_M	~22 GB	~98%	GGUF 표준 4bit
Q5_K_M	~24.7 GB	~99%	더 높은 정확도
Q6_K	~28.5 GB	~99.5%	거의 무손실
Q8_0	~36.9 GB	~100%	무손실

MoziSmartBit은 약 99% 정확도를 유지하며 35B MoE를 15.9 GB(4.5x 압축)로. Q4_K_M보다 약 30% 작아 소비자 GPU에 최적.

11. 투기적 디코딩 가속 주요 기능

본 모델은 **투기적 디코딩(Speculative Decoding)**으로 추론 속도를 크게 향상. 로컬 실측에서 끄면보다 약 1.5-2배 빠릅니다.

MoE 최적 설정: llama.cpp는 MoE 아키텍처에 ngram 투기적 디코딩(--spec-default)을 권장. 로컬 실측 최고 속도·안정
모델명 "MTP" 관해: 베이스의 Multi-Token Prediction 가중치(완전 보존)에서 유래. llama.cpp의 MoE용 MTP draft 지원이 제한적이라 MoziAI는 ngram 방식으로 최적 실측 속도 구현

활성화 파라미터

--spec-default

조정 제안

설정	적용 시나리오
--spec-default(기본)	권장: 속도와 VRAM 균형
비활성화(플래그 제거)	VRAM 부족 시, 다소 느림

12. VRAM 설정 권장

MoziSmartBit 버전(모델+시각 약 16.4GB) 실측 기준:

VRAM	권장 설정	설명
20 GB	150K 문맥, q4_0 KV, 시각 지원	모델+시각 약 16.4GB; 256K+시각 약 19.5GB 사용
24 GB	완전 256K, q4_0 KV, 시각 완벽	권장: 시각+256K 약 20.4GB, 여유 약 3.6GB
32 GB+	완전 256K, 여유 충분	예: R9700 32GB: 시각+256K 약 10GB 여유, 최강 구성

💡 문맥이 길수록 VRAM 사용 증가. OOM 시 -c 단계적으로 낮추기. --fit on 자동 적합. NVIDIA / AMD 지원.

13. 배포 방법

Ollama 배포

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

LM Studio / Jan에서 moziAI 검색 후 Q4_K_M 양자화 버전 다운로드(LM Studio는 기본적으로 루트 디렉토리 모델을 읽습니다. 이전 버전은 "URL에서 추가"로 해당 버전 디렉토리(예: V3.7/)의 파일을 가져오세요).

💡 Ollama의 mmproj와 chat_template 지원은 제한적. 전체 기능은 llama.cpp 권장.

14. 벤치마크

MoziAI-35B-V3.8은 deepreinforce-ai/Ornith-1.5-35B-A3B 베이스를 미세조정·증류·재개발한 모델로, 금융 수직 영역이 핵심 최적화 방향입니다. 아래는 멀티모델 비교(MoziAI 일반 역량은 베이스 Ornith-1.5-35B-A3B와 일치. 데이터는 V3.7 실측 계승 — V3.8은 V3.7과 동일 베이스·동일 학습 체계):

Benchmark	moziAI-35B-V3.8 (본 모델)	Ornith-1.0-35B-A3B	Qwen3.6-35B-A3B	Gemma-4-31B	Muse-Glimmer-30B	Qwen3.5-397B
코딩
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
추론
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
에이전트
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

MoziAI는 금융 수직 영역(실적 해석, 퀀트 전략, 리스크 관리, 에이전트 도구 호출)에서 동급 범용 모델을 크게 능가합니다. Gemma-4 / Qwen3.6 수치는 공식 공개 평가 결과.

15. Uncensored 검열 없음 최적화

본 모델은 Ornith-1.5-35B-A3B 베이스의 Uncensored 특성을 계승:

장점	설명
검열 없음	민감·논쟁적 콘텐츠 포함 어떤 주제도 거부하지 않음
자유 출력	안전 정책에 제약 없이 모든 유형의 답변 생성
완전한 정보	필터링되지 않은 정보 제공, 연구·분석에 최적
로컬 프라이버시	로컬 배포 = 데이터 완전 프라이빗, 클라우드 검열 없음

사용 사례: 학술 연구, 심층 분석, 자유 토론, 제한 없는 AI 대화.

주의: 로컬 배포 모델이므로 출력은 사용자가 완전히 관리합니다. 모델은 콘텐츠 심사 책임을 지지 않습니다.

16. 라이선스

본 모델은 사용자 정의 제한 라이선스를 채택:

✅ 허용 — 상업 무료 사용, 복사·배포
❌ 금지 — 2차 개발, 재판매, 재라이선스

본 모델은「있는 그대로」제공되며 어떠한 보증도 없습니다. 모델 출력은 참고용이며 투자 조언을 구성하지 않습니다. 사용자는 모든 리스크를 부담합니다.

자세한 내용은 LICENSE 파일 참조.

17. 연락처

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