Instructions to use RaSchwehr/oakai-alpha10 with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use RaSchwehr/oakai-alpha10 with MLX:

# Make sure mlx-lm is installed
# pip install --upgrade mlx-lm

# Generate text with mlx-lm
from mlx_lm import load, generate

model, tokenizer = load("RaSchwehr/oakai-alpha10")

prompt = "Write a story about Einstein"
messages = [{"role": "user", "content": prompt}]
prompt = tokenizer.apply_chat_template(
    messages, add_generation_prompt=True
)

text = generate(model, tokenizer, prompt=prompt, verbose=True)

llama-cpp-python

How to use RaSchwehr/oakai-alpha10 with llama-cpp-python:

# !pip install llama-cpp-python

from llama_cpp import Llama

llm = Llama.from_pretrained(
	repo_id="RaSchwehr/oakai-alpha10",
	filename="oakai-alpha10-q4_K_M.gguf",
)

llm.create_chat_completion(
	messages = [
		{
			"role": "user",
			"content": "What is the capital of France?"
		}
	]
)

Notebooks
Google Colab
Kaggle
Local Apps Settings

llama.cpp

How to use RaSchwehr/oakai-alpha10 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 RaSchwehr/oakai-alpha10:Q4_K_M
# Run inference directly in the terminal:
llama cli -hf RaSchwehr/oakai-alpha10:Q4_K_M

Install from WinGet (Windows)

winget install llama.cpp
# Start a local OpenAI-compatible server with a web UI:
llama serve -hf RaSchwehr/oakai-alpha10:Q4_K_M
# Run inference directly in the terminal:
llama cli -hf RaSchwehr/oakai-alpha10:Q4_K_M

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 RaSchwehr/oakai-alpha10:Q4_K_M
# Run inference directly in the terminal:
./llama-cli -hf RaSchwehr/oakai-alpha10:Q4_K_M

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 RaSchwehr/oakai-alpha10:Q4_K_M
# Run inference directly in the terminal:
./build/bin/llama-cli -hf RaSchwehr/oakai-alpha10:Q4_K_M

Use Docker

docker model run hf.co/RaSchwehr/oakai-alpha10:Q4_K_M

LM Studio
Jan

vLLM

How to use RaSchwehr/oakai-alpha10 with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "RaSchwehr/oakai-alpha10"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "RaSchwehr/oakai-alpha10",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker

docker model run hf.co/RaSchwehr/oakai-alpha10:Q4_K_M

Ollama
How to use RaSchwehr/oakai-alpha10 with Ollama:
```
ollama run hf.co/RaSchwehr/oakai-alpha10:Q4_K_M
```

Unsloth Studio

How to use RaSchwehr/oakai-alpha10 with Unsloth Studio:

Install Unsloth Studio (macOS, Linux, WSL)

curl -fsSL https://unsloth.ai/install.sh | sh
# Run unsloth studio
unsloth studio -H 0.0.0.0 -p 8888
# Then open http://localhost:8888 in your browser
# Search for RaSchwehr/oakai-alpha10 to start chatting

Install Unsloth Studio (Windows)

irm https://unsloth.ai/install.ps1 | iex
# Run unsloth studio
unsloth studio -H 0.0.0.0 -p 8888
# Then open http://localhost:8888 in your browser
# Search for RaSchwehr/oakai-alpha10 to start chatting

Using HuggingFace Spaces for Unsloth

# No setup required
# Open https://huggingface.co/spaces/unsloth/studio in your browser
# Search for RaSchwehr/oakai-alpha10 to start chatting

How to use RaSchwehr/oakai-alpha10 with Pi:

Start the MLX server

# Install MLX LM:
uv tool install mlx-lm
# Start a local OpenAI-compatible server:
mlx_lm.server --model "RaSchwehr/oakai-alpha10"

Configure the model in Pi

# Install Pi:
npm install -g @mariozechner/pi-coding-agent
# Add to ~/.pi/agent/models.json:
{
  "providers": {
    "mlx-lm": {
      "baseUrl": "http://localhost:8080/v1",
      "api": "openai-completions",
      "apiKey": "none",
      "models": [
        {
          "id": "RaSchwehr/oakai-alpha10"
        }
      ]
    }
  }
}

Run Pi

# Start Pi in your project directory:
pi

Hermes Agent new

How to use RaSchwehr/oakai-alpha10 with Hermes Agent:

Start the MLX server

# Install MLX LM:
uv tool install mlx-lm
# Start a local OpenAI-compatible server:
mlx_lm.server --model "RaSchwehr/oakai-alpha10"

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 RaSchwehr/oakai-alpha10

Run Hermes

hermes

Atomic Chat new

MLX LM

How to use RaSchwehr/oakai-alpha10 with MLX LM:

Generate or start a chat session

# Install MLX LM
uv tool install mlx-lm
# Interactive chat REPL
mlx_lm.chat --model "RaSchwehr/oakai-alpha10"

Run an OpenAI-compatible server

# Install MLX LM
uv tool install mlx-lm
# Start the server
mlx_lm.server --model "RaSchwehr/oakai-alpha10"
# Calling the OpenAI-compatible server with curl
curl -X POST "http://localhost:8000/v1/chat/completions" \
   -H "Content-Type: application/json" \
   --data '{
     "model": "RaSchwehr/oakai-alpha10",
     "messages": [
       {"role": "user", "content": "Hello"}
     ]
   }'

Docker Model Runner
How to use RaSchwehr/oakai-alpha10 with Docker Model Runner:
```
docker model run hf.co/RaSchwehr/oakai-alpha10:Q4_K_M
```

Lemonade

How to use RaSchwehr/oakai-alpha10 with Lemonade:

Pull the model

# Download Lemonade from https://lemonade-server.ai/
lemonade pull RaSchwehr/oakai-alpha10:Q4_K_M

Run and chat with the model

lemonade run user.oakai-alpha10-Q4_K_M

List all available models

lemonade list

oakai:alpha10

Domänenspezifisches Sprachmodell für Retail- und Kundenanalytik Ein von OAKAI auf Basis von Qwen2.5-7B feinabgestimmtes, vollständig lokal lauffähiges Modell. Klarheit – statt Hype.

Überblick

oakai:alpha10 ist auf wiederkehrende Analyseaufgaben im Retail- und E-Commerce-Umfeld spezialisiert und liefert dafür präzise, maschinenlesbare Antworten in festem Format bei minimaler Latenz. Es wurde nicht auf breiteres Weltwissen trainiert, sondern gezielt für den Einsatz in automatisierten Datenpipelines optimiert – etwa zur Auswertung von Bestellungen, Kundenbewertungen und Serviceanfragen.

Aufgabe	Beschreibung	Beispiel-Output
Kundensegmentierung	Bestellungen als B2B/B2C einordnen	`B2B_bestaetigt`
Feedback-Analyse	Bewertungen nach Stimmung und Problemtyp	`Sentiment: negative, bug: ja`
Semantisches Matching	Anliegen auf inhaltliche Gleichheit prüfen	`Ja, dasselbe Problem.`
Themen-Clustering	Serviceanfragen Kategorien zuordnen	`Produktverbindung`

Benchmark

40 ungesehene Testfälle (10 je Aufgabe), deterministisch (Temperatur 0), gemessen auf Mac Studio M4 Max.

Modell	Gesamt-Genauigkeit	Zeit/Antwort	Tokens/Antwort
oakai:alpha10	90 %	0,34 s	4
qwen2.5:7b (Basis)	85 %	2,87 s	220
gemma4:latest (12B)	92 %	8,41 s	634

Kernergebnis: Praktisch die Genauigkeit eines rund 3× größeren Modells, bei 25× kürzerer Antwortzeit und einem um Faktor 150 knapperen, direkt weiterverarbeitbaren Output.

(Ein weiteres Modell, gemma3:12b, wurde wegen eines Konfigurationsfehlers während der Messung aus der Wertung genommen, um die Vergleichbarkeit zu wahren.)

Verwendung

Mit Ollama (empfohlen)

# GGUF herunterladen, dann ein Modelfile anlegen:
cat > Modelfile <<'EOF'
FROM ./oakai-alpha10-q4_K_M.gguf
PARAMETER temperature 0.6
PARAMETER num_ctx 8192
PARAMETER stop "<|im_end|>"
SYSTEM """Du bist oakai:alpha10, ein KI-Assistent von OAKAI.
Spezialisiert auf deutsche Semantik, Klassifikation und Textanalyse."""
EOF

ollama create oakai:alpha10 -f Modelfile
ollama run oakai:alpha10 "Ordne diese Serviceanfrage einer Kategorie zu.
Anfrage: Mein Geraet verbindet sich nicht mehr mit dem Smartphone."

Mit llama.cpp

llama-cli -m oakai-alpha10-q4_K_M.gguf -p "Klassifiziere diese Bestellung als B2B oder B2C: Firma Muster GmbH, 120 Stueck, USt-ID ja"

Modelldetails

Basismodell: Qwen2.5-7B-Instruct (Apache 2.0)
Trainingsmethode: QLoRA (4-bit), 1200 Iterationen, MLX auf Apple Silicon
Validierungs-Loss: 4,12 → 0,30
Quantisierung: Q4_K_M (~4,7 GB)
Sprache: Deutsch
Kontextlänge: bis 32.768 Token

Trainingsdaten

Trainiert auf 5.000 synthetischen Beispielen aus dem Retail-/E-Commerce-Kontext (fiktive Marke, Produkt- und Firmennamen frei erfunden). Die zugrundeliegenden Muster – B2B/B2C-Signale, die Divergenz zwischen Sternebewertung und tatsächlichem Textinhalt, sowie typische Cluster von Serviceanfragen – sind realen Analyseaufgaben nachempfunden. Das Modell enthält keine echten Kundendaten.

Stärken und Grenzen

Stärken: sehr schnelle, knappe, maschinenlesbare Klassifikation; läuft vollständig lokal (Datenschutz); keine Betriebskosten; kompakt; lizenzsauber weitergebbar.

Grenzen: liefert Labels statt erklärender Fließtexte; auf die trainierten Aufgabentypen spezialisiert; vereinzelt Sprach-Artefakte der Basis möglich; auf synthetischer Datenbasis trainiert (Proof of Concept); feste Kategorien (neue erfordern erneutes Training).

Lizenz

Apache License 2.0. Abgeleitet von Qwen2.5-7B-Instruct (© Alibaba Cloud). Siehe LICENSE und NOTICE. Fine-Tuning und Distribution: OAKAI / Ralph Ray Schwehr, 2026.

Dieses Modell ist ein Proof of Concept.

Downloads last month: -

GGUF

Model size

8B params

Architecture

qwen2

Hardware compatibility

4-bit

Model tree for RaSchwehr/oakai-alpha10

Base model

Qwen/Qwen2.5-7B

Finetuned

Qwen/Qwen2.5-7B-Instruct

Adapter

(2242)

this model