Instructions to use NGDtuanh/abook-analyzer with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Notebooks
Google Colab
Kaggle
Local Apps Settings

How to use NGDtuanh/abook-analyzer 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 NGDtuanh/abook-analyzer:Q8_0
# Run inference directly in the terminal:
llama cli -hf NGDtuanh/abook-analyzer:Q8_0

Install from WinGet (Windows)

winget install llama.cpp
# Start a local OpenAI-compatible server with a web UI:
llama serve -hf NGDtuanh/abook-analyzer:Q8_0
# Run inference directly in the terminal:
llama cli -hf NGDtuanh/abook-analyzer:Q8_0

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 NGDtuanh/abook-analyzer:Q8_0
# Run inference directly in the terminal:
./llama-cli -hf NGDtuanh/abook-analyzer:Q8_0

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 NGDtuanh/abook-analyzer:Q8_0
# Run inference directly in the terminal:
./build/bin/llama-cli -hf NGDtuanh/abook-analyzer:Q8_0

Use Docker

docker model run hf.co/NGDtuanh/abook-analyzer:Q8_0

LM Studio
Jan

vLLM

How to use NGDtuanh/abook-analyzer with vLLM:

Install from pip and serve model

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

Use Docker

docker model run hf.co/NGDtuanh/abook-analyzer:Q8_0

Ollama
How to use NGDtuanh/abook-analyzer with Ollama:
```
ollama run hf.co/NGDtuanh/abook-analyzer:Q8_0
```
Unsloth Desktop

How to use NGDtuanh/abook-analyzer with Pi:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf NGDtuanh/abook-analyzer:Q8_0

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": "NGDtuanh/abook-analyzer:Q8_0"
        }
      ]
    }
  }
}

Run Pi

# Start Pi in your project directory:
pi

Docker Model Runner
How to use NGDtuanh/abook-analyzer with Docker Model Runner:
```
docker model run hf.co/NGDtuanh/abook-analyzer:Q8_0
```

Lemonade

How to use NGDtuanh/abook-analyzer with Lemonade:

Pull the model

# Download Lemonade from https://lemonade-server.ai/
lemonade pull NGDtuanh/abook-analyzer:Q8_0

Run and chat with the model

lemonade run user.abook-analyzer-Q8_0

List all available models

lemonade list

Hermes Agent

How to use NGDtuanh/abook-analyzer with Hermes Agent:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf NGDtuanh/abook-analyzer:Q8_0

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 NGDtuanh/abook-analyzer:Q8_0

Run Hermes

hermes

Atomic Chat

OpenClaw

How to use NGDtuanh/abook-analyzer with OpenClaw:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf NGDtuanh/abook-analyzer:Q8_0

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 "NGDtuanh/abook-analyzer:Q8_0" \
  --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"

abook-analyzer:v4

Vietnamese audiobook analysis model for ABook: labels every segment of a Vietnamese novel with who speaks, narration / dialogue / thought, emotion, intensity, pace, volume and gender, as JSON under ABook's own prompt and schema. Qwen3-4B-Instruct-2507 + LoRA (r=16), merged, GGUF Q8_0 (4.28 GB). Apache-2.0.

Model phân tích truyện của dây chuyền làm sách nói ABook: với mỗi đoạn văn, ai nói (-> giọng đọc), đoạn kể / thoại / nội tâm, cảm xúc, cường độ, nhịp, âm lượng, giới tính. Chạy được trên card NVIDIA 8 GB, nhanh hơn qwen3:8b 1,5-1,7 lần.

Dùng

Studio của ABook tự tải khi cài hoặc bấm "Cập nhật Studio" - không phải làm gì.

Dùng tay: tải abook-analyzer-v4.Q8_0.gguf và Modelfile vào cùng một thư mục, kiểm SHA-256 (1ecd40a6b6839fc986f1095001110ebbfd9043608d0e69b30be762a85673feeb), rồi:

ollama create abook-analyzer:v4 -f Modelfile

Đã đo với Ollama 0.33.2. Ollama 0.34 cho dòng qwen3 "suy nghĩ" trước khi trả JSON kể cả khi request có format: gửi "think": false như ABook.

Model chỉ học prompt và schema của ABook (abook/analysis.py); hỏi kiểu khác thì không có gì bảo đảm.

Huấn luyện

Nền: Qwen/Qwen3-4B-Instruct-2507 (Apache-2.0).
LoRA r=16, alpha 32, dropout 0,05 trên mọi lớp chiếu (q, k, v, o, gate, up, down); 1 epoch; gộp vào model nền rồi xuất GGUF Q8_0 (scripts/model_eval/train_lora.py, serve_lora.py).
Loss chỉ tính trên câu trả lời (assistant_only_loss): model học gán nhãn, không học sinh lại văn bản truyện.
Dữ liệu: nhãn đáp án chuẩn do chính dự án làm (scripts/model_eval/gold/, quy ước trong docs/GOLD_GUIDE.md), phát lại qua đúng bộ phân tích sản xuất (gold_replay.py -> build_training_set.py). Không dùng bộ dữ liệu ngoài nào. Văn bản truyện không được phát hành.
Dữ liệu v4 (data_v7): đáp án chuẩn của v3 + mô tả người vô danh; mỗi mẫu có khối 4 đoạn ngay trước.
Chương dùng để đo không bao giờ vào dữ liệu huấn luyện.

Kết quả đo

Chỉ số: F1 giọng (gán đúng người nói cho câu thoại và nội tâm, có trọng số theo giọng), so với đáp án chuẩn. Mỗi model đo với đúng cách app gửi prompt cho nó: v3 không có khối đoạn trước (như 0.4.27), v4 có 9 đoạn. KTC: bootstrap theo chương, 2.000 lần.

bộ đo	câu	chỉ số	v3 khối 0 (app 0.4.27)	v4 khối 9	chênh (KTC 95 %)
LN Nhật, 3 truyện, 11 chương chưa học	767	F1 giọng	56,0 %	61,8 %	+5,8 (+2,0..+11,2)
		người nói chặt	65,4 %	72,9 %	+7,4 (+3,4..+12,6)
		cảm xúc	88,9 %	93,5 %	+4,6 (+2,7..+6,1)
LN Hàn, 8 chương chưa học	618	F1 giọng	61,4 %	68,5 %	+7,0 (+3,8..+10,9)
		người nói chặt	62,9 %	68,0 %	+5,0 (+0,0..+10,4)
		cảm xúc	91,1 %	93,7 %	+2,5 (+1,5..+3,8)

F1 giọng từng chương: v4 hơn v3 ở 9/11 chương Nhật (thua 2: −0,6 và −0,1 điểm) và 7/8 chương Hàn (thua 1: −3,2 điểm).

v4 học với khối "đoạn ngay trước" trong prompt (ai nói ở các đoạn liền trước lô); Studio từ 0.4.28 gửi 9 đoạn. Dùng v4 với host cũ (không khối) thì không có gì bảo đảm.

Giấy phép

Apache-2.0, như model nền Qwen3-4B-Instruct-2507.

Downloads last month: 59

GGUF

Model size

4B params

Architecture

qwen3

Hardware compatibility

8-bit

Model tree for NGDtuanh/abook-analyzer

Base model

Qwen/Qwen3-4B-Instruct-2507

Finetuned

(2363)

this model