Instructions to use RaSchwehr/oakai-alpha11 with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use RaSchwehr/oakai-alpha11 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-alpha11")

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-alpha11 with llama-cpp-python:

# !pip install llama-cpp-python

from llama_cpp import Llama

llm = Llama.from_pretrained(
	repo_id="RaSchwehr/oakai-alpha11",
	filename="oakai-alpha11-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-alpha11 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-alpha11:Q4_K_M
# Run inference directly in the terminal:
llama cli -hf RaSchwehr/oakai-alpha11: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-alpha11:Q4_K_M
# Run inference directly in the terminal:
llama cli -hf RaSchwehr/oakai-alpha11: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-alpha11:Q4_K_M
# Run inference directly in the terminal:
./llama-cli -hf RaSchwehr/oakai-alpha11: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-alpha11:Q4_K_M
# Run inference directly in the terminal:
./build/bin/llama-cli -hf RaSchwehr/oakai-alpha11:Q4_K_M

Use Docker

docker model run hf.co/RaSchwehr/oakai-alpha11:Q4_K_M

LM Studio
Jan

vLLM

How to use RaSchwehr/oakai-alpha11 with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "RaSchwehr/oakai-alpha11"
# 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-alpha11",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker

docker model run hf.co/RaSchwehr/oakai-alpha11:Q4_K_M

Ollama
How to use RaSchwehr/oakai-alpha11 with Ollama:
```
ollama run hf.co/RaSchwehr/oakai-alpha11:Q4_K_M
```

Unsloth Studio

How to use RaSchwehr/oakai-alpha11 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-alpha11 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-alpha11 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-alpha11 to start chatting

How to use RaSchwehr/oakai-alpha11 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-alpha11"

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-alpha11"
        }
      ]
    }
  }
}

Run Pi

# Start Pi in your project directory:
pi

Hermes Agent new

How to use RaSchwehr/oakai-alpha11 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-alpha11"

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-alpha11

Run Hermes

hermes

Atomic Chat new

OpenClaw new

How to use RaSchwehr/oakai-alpha11 with OpenClaw:

Start the MLX server

# Install MLX LM:
uv tool install mlx-lm
# Start a local OpenAI-compatible server:
mlx_lm.server --model "RaSchwehr/oakai-alpha11"

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 "RaSchwehr/oakai-alpha11" \
  --custom-provider-id mlx-lm \
  --custom-compatibility openai \
  --custom-text-input \
  --accept-risk \
  --skip-health

Run OpenClaw

openclaw agent --local --agent main --message "Hello from Hugging Face"

MLX LM

How to use RaSchwehr/oakai-alpha11 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-alpha11"

Run an OpenAI-compatible server

# Install MLX LM
uv tool install mlx-lm
# Start the server
mlx_lm.server --model "RaSchwehr/oakai-alpha11"
# 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-alpha11",
     "messages": [
       {"role": "user", "content": "Hello"}
     ]
   }'

Docker Model Runner
How to use RaSchwehr/oakai-alpha11 with Docker Model Runner:
```
docker model run hf.co/RaSchwehr/oakai-alpha11:Q4_K_M
```

Lemonade

How to use RaSchwehr/oakai-alpha11 with Lemonade:

Pull the model

# Download Lemonade from https://lemonade-server.ai/
lemonade pull RaSchwehr/oakai-alpha11:Q4_K_M

Run and chat with the model

lemonade run user.oakai-alpha11-Q4_K_M

List all available models

lemonade list

oakai:alpha11

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

Überblick

oakai:alpha11 bewertet komplette Kundendienst-Chatverläufe aus Kundenperspektive auf fünf Dimensionen und liefert eine konkrete Verbesserungsempfehlung – alles als striktes, maschinenlesbares JSON. Ergänzend beherrscht es Klassifikationsaufgaben aus der Kundenanalytik (z.B. B2B/B2C-Segmentierung).

Die fünf Bewertungsdimensionen (je 1–5):

Dimension	Bedeutung
`understanding`	Hat der Bot die Kundenanfrage verstanden?
`solution_qual`	Qualität der gebotenen Lösung
`flow`	Konversationsfluss
`tonality`	Tonalität / Empathie
`language_qual`	Sprachqualität

Beispiel-Output:

{"understanding":4,"solution_qual":3,"flow":4,"tonality":4,"language_qual":5,"recommendation":"Bot sollte die Anfrage praeziser verstehen und auf den verfuegbaren Kontext anpassen."}

Benchmark

100 ungesehene Support-Chats, deterministisch (Temperatur 0), gemessen auf Mac Studio M4 Max. MAE = mittlere Abweichung der Score-Vorhersage vom Referenzwert (kleiner ist besser, über alle fünf Dimensionen gemittelt).

Modell	Gesamt-MAE	JSON valide	Zeit/Fall
oakai:alpha11	0,52	100 %	1,47 s
qwen2.5:7b (Basis)	0,60	99 %	2,27 s
gemma4:latest (12B)	0,83	100 %	15,72 s

Kernergebnis: oakai:alpha11 bewertet Support-Chats genauer als das Basismodell qwen2.5:7b und dabei 1,5× schneller, bei perfekter Format-Treue. Gegenüber dem rund 3× größeren gemma4 ist es zugleich deutlich präziser und über 10× schneller.

Bemerkenswert: Das spezialisierte Modell übertrifft die Genauigkeit des Basismodells, aus dem die Referenzbewertungen ursprünglich stammen – das Fine-Tuning hat die Bewertungslogik nicht nur reproduziert, sondern stabilisiert.

Hinweis zur Metrik: Einzelne Dimensionen (z.B. Tonalität) sind in den Daten stark zu hohen Werten verschoben; dort ist die absolute Trefferquote naturgemäß hoch. Aussagekräftig ist vor allem der Vorsprung bei Verständnis, Lösungsqualität und Gesprächsfluss.

Verwendung

Mit Ollama (empfohlen)

ollama run hf.co/RaSchwehr/oakai-alpha11:Q4_K_M

Für die Chat-Bewertung wird der Verlauf im Format **Bot:** … **User:** … übergeben, gefolgt von der Aufforderung, als JSON zu bewerten. Das Modell antwortet mit den fünf Scores plus Empfehlung.

Mit llama.cpp

llama-cli -hf RaSchwehr/oakai-alpha11:Q4_K_M

Modelldetails

Basismodell: Qwen2.5-7B-Instruct (Apache 2.0)
Trainingsmethode: QLoRA (4-bit), 1500 Iterationen, MLX auf Apple Silicon
Validierungs-Loss: 2,26 → 0,43
Quantisierung: Q4_K_M (~4,7 GB)
Sprache: Deutsch
Kontextlänge: bis 32.768 Token

Trainingsdaten & Datenschutz

Trainiert auf realen, anonymisierten Support-Konversationen aus dem technischen Kundendienst, gemischt mit synthetischen Klassifikations-Beispielen für breitere Kundenanalytik. Die Datennutzung ist vertraglich abgesichert.

Vor dem Training wurden personenbezogene Daten (Namen, Kontaktdaten, Kennungen, Dateipfade) aggressiv entfernt und Markennamen durch generische Bezeichnungen ersetzt. Ein systematischer Test über alle Auswertungsfälle sowie gezielte Provokations-Prompts ergaben keine Rückführbarkeit auf die ursprüngliche Datenquelle.

Stärken und Grenzen

Stärken: genauer als das Basismodell bei der Chat-Bewertung; schnell; 100 % valides JSON; läuft vollständig lokal (Datenschutz); kompakt; markenfrei.

Grenzen: auf die Bewertung technischer Support-Chats spezialisiert; einzelne Dimensionen (Tonalität, Sprachqualität) sind in den Daten stark zu hohen Werten verschoben; liefert Scores und kurze Empfehlung statt Langanalyse; die Bewertungslogik entspricht der des Basismodells (stabilisiert).

Lizenz

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

Downloads last month: -

GGUF

Model size

8B params

Architecture

qwen2

Hardware compatibility

4-bit

Model tree for RaSchwehr/oakai-alpha11

Base model

Qwen/Qwen2.5-7B

Finetuned

Qwen/Qwen2.5-7B-Instruct

Adapter

(2256)

this model