Instructions to use Kolyadual/Newton-bot-3-text-mini-8B with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use Kolyadual/Newton-bot-3-text-mini-8B with Transformers:

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

pipe = pipeline("text-generation", model="Kolyadual/Newton-bot-3-text-mini-8B")
messages = [
    {"role": "user", "content": "Who are you?"},
]
pipe(messages)

# Load model directly
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("Kolyadual/Newton-bot-3-text-mini-8B")
model = AutoModelForCausalLM.from_pretrained("Kolyadual/Newton-bot-3-text-mini-8B")
messages = [
    {"role": "user", "content": "Who are you?"},
]
inputs = tokenizer.apply_chat_template(
	messages,
	add_generation_prompt=True,
	tokenize=True,
	return_dict=True,
	return_tensors="pt",
).to(model.device)

outputs = model.generate(**inputs, max_new_tokens=40)
print(tokenizer.decode(outputs[0][inputs["input_ids"].shape[-1]:]))

Notebooks
Google Colab
Kaggle
Local Apps

vLLM

How to use Kolyadual/Newton-bot-3-text-mini-8B with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "Kolyadual/Newton-bot-3-text-mini-8B"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "Kolyadual/Newton-bot-3-text-mini-8B",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker

docker model run hf.co/Kolyadual/Newton-bot-3-text-mini-8B

SGLang

How to use Kolyadual/Newton-bot-3-text-mini-8B 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 "Kolyadual/Newton-bot-3-text-mini-8B" \
    --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": "Kolyadual/Newton-bot-3-text-mini-8B",
		"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 "Kolyadual/Newton-bot-3-text-mini-8B" \
        --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": "Kolyadual/Newton-bot-3-text-mini-8B",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Docker Model Runner
How to use Kolyadual/Newton-bot-3-text-mini-8B with Docker Model Runner:
```
docker model run hf.co/Kolyadual/Newton-bot-3-text-mini-8B
```
Browse Quantizations to use this model in llama.cpp, Ollama, LM Studio, or any compatible app.

Newton Bot 3

Developed by Kolyadual

Описание • Ключевые Особенности • Использование

Описание модели

Newton Bot 3 — это высокопроизводительная модель нового поколения из семейства Newton bot, созданная буквально для всего! Основанная на мощном фундаменте Qwen и дистиллированная с использованием методик DeepSeek-R1, также дообученая на датасете Gemini от TeichAI. Нейросеть сочетает в себе глубокие знания и умение строить многоступенчатые цепочки рассуждений (Chain-of-Thought).

Newton bot 3 text mini - модель Newton bot 3, оптимизированная для работы на компьютерах, генерации текста, кодинга и всего что связано с текстом.

Ключевые особенности:

Продвинутый Reasoning: Модель сначала "думает", выстраивая логическую структуру ответа, а затем выдает результат.
Мастер Кодинга: Оптимизирована для написания сложного кода, отладки и архитектурного планирования.
Математический интеллект: Способна решать задачи уровня олимпиад и высшей математики.
Мультиязычность: Полная поддержка русского и английского языков с учетом культурного контекста.
Рецепты: Огромная база данных кулинарных рецептов
Профи-функционал: 8B параметров - хорошие значения для общения с нейросетью и познания чего-либо нового! По максимуму точная модель, дообученая на лидирующих поделях таких как DeepSeek, Gemini 3 pro, Claude 4.5 дает максимально точный ответ в рамках 2025-2026 годов (и раньше).

Как использовать

Вы можете запустить Newton Bot 3 локально, используя библиотеку transformers:

from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "Kolyadual/Newton-bot-3-text-mini-8B" # Или же путь к папке с моделью

tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    torch_dtype="auto",
    device_map="auto"
)

prompt = "Реши уравнение Шрёдингера для частицы в бесконечной потенциальной яме."
messages = [{"role": "user", "content": prompt}]

inputs = tokenizer.apply_chat_template(messages, add_generation_prompt=True, return_tensors="pt").to("cuda")
outputs = model.generate(inputs, max_new_tokens=1024)

print(tokenizer.decode(outputs[0], skip_special_tokens=True))

Merge Details

Merge Method

This model was merged using the SLERP merge method.

Models Merged

The following models were included in the merge:

Qwen
Gemini
DeepSeek

Configuration

The following YAML configuration was used to produce this model:

slices:
  - sources:
      - model: DeepSeek-qwen-moe
        layer_range: [0, 36]
      - model: Gemini
        layer_range: [0, 36]
      - model: Claude
        layer_range:  [0, 36]
merge_method: slerp
base_model: DeepSeek-qwen-moe
parameters:
  t:
    - filter: self_attn
      value: [0.4, 0.6]
    - filter: mlp
      value: [0.6, 0.4]
    - value: 0.5
dtype: bfloat16
tokenizer_source: base # Используем токенизатор DeepSeek для корректной работы <think>