Instructions to use RthItalia/Rth-lm-code-25b with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Notebooks
Google Colab
Kaggle
Local Apps Settings

How to use RthItalia/Rth-lm-code-25b 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 RthItalia/Rth-lm-code-25b
# Run inference directly in the terminal:
llama cli -hf RthItalia/Rth-lm-code-25b

Install from WinGet (Windows)

winget install llama.cpp
# Start a local OpenAI-compatible server with a web UI:
llama serve -hf RthItalia/Rth-lm-code-25b
# Run inference directly in the terminal:
llama cli -hf RthItalia/Rth-lm-code-25b

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 RthItalia/Rth-lm-code-25b
# Run inference directly in the terminal:
./llama-cli -hf RthItalia/Rth-lm-code-25b

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 RthItalia/Rth-lm-code-25b
# Run inference directly in the terminal:
./build/bin/llama-cli -hf RthItalia/Rth-lm-code-25b

Use Docker

docker model run hf.co/RthItalia/Rth-lm-code-25b

LM Studio
Jan

vLLM

How to use RthItalia/Rth-lm-code-25b with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "RthItalia/Rth-lm-code-25b"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "RthItalia/Rth-lm-code-25b",
		"prompt": "Once upon a time,",
		"max_tokens": 512,
		"temperature": 0.5
	}'

Use Docker

docker model run hf.co/RthItalia/Rth-lm-code-25b

Ollama
How to use RthItalia/Rth-lm-code-25b with Ollama:
```
ollama run hf.co/RthItalia/Rth-lm-code-25b
```
Unsloth Desktop
Docker Model Runner
How to use RthItalia/Rth-lm-code-25b with Docker Model Runner:
```
docker model run hf.co/RthItalia/Rth-lm-code-25b
```

Lemonade

How to use RthItalia/Rth-lm-code-25b with Lemonade:

Pull the model

# Download Lemonade from https://lemonade-server.ai/
lemonade pull RthItalia/Rth-lm-code-25b

Run and chat with the model

lemonade run user.Rth-lm-code-25b-{{QUANT_TAG}}

List all available models

lemonade list

Atomic Chat

RthItalia commited on Feb 19

Commit

affd687

verified ·

1 Parent(s): a2a2f24

Update README.md

Browse files

Files changed (1) hide show

README.md +9 -9

README.md CHANGED Viewed

@@ -20,8 +20,8 @@ pipeline_tag: text-generation
 # 💻 RTH-Code 25B — Code Specialist Soul
 > **"L'intelligenza è nell'architettura, non nelle GPU."**
-> Questa è la **Soul Specialista per il Codice** dell'ecosistema RTH-LM.
-> Stesso Genome (7B) di base, ma con una "anima" addestrata per programmare.
 ⚠️ **PROOF OF CONCEPT** ⚠️
 Questa è una versione **BASE** creata per dimostrare l'efficienza scalare dell'architettura RTH-LM.
@@ -34,7 +34,7 @@ Questa è una versione **BASE** creata per dimostrare l'efficienza scalare dell'
 ## ⚡ Che cos'è?
 **RTH-Code 25B** non è un modello a sé stante. È una **Soul intercambiabile**.
-Invece di scaricare un modello da 30GB per ogni task, mantieni il **Genome congelato (7B)** e cambi solo la Soul (~950M parametri).
 Questa Soul è stata addestrata specificamente su:
 - **Python** (Data Science, Backend, Torch)
@@ -45,8 +45,8 @@ Questa Soul è stata addestrata specificamente su:
 ```mermaid
 graph TD
     G["Genome 7B<br/>(Frozen Core)"]
-    G --> SC["🔹 Soul CODE<br/>Specialista Python/JS/C++"]
-    G --> SG["Soul Generalista<br/>Chat & Knowledge"]
     G --> SL["Soul Legal/Medical<br/>(Future)"]
 ```
@@ -56,11 +56,11 @@ Basta **swappare** i file `.pt` (o usare il GGUF unificato) e il tuo modello pas
 ## 📊 Specifiche Tecniche
-| Feature | Dettaglio |
 |---|---|
-| **Architettura** | Fractal Gated Causal TCN (No Attention) |
-| **Parametri Totali** | 25B (7B Genome + 18B Virtuali) |
-| **Parametri Trainabili** | ~950M (LoRA Rank 512) |
 | **Dataset Training** | **5GB** (Misto: Python, JS, C++, Go) |
 | **Tempo Training** | **8 ORE** (Singola Epoch) ⏱️ |
 | **Contesto** | 2048+ (Teoricamente infinito grazie a TCN) |

 # 💻 RTH-Code 25B — Code Specialist Soul
 > **"L'intelligenza è nell'architettura, non nelle GPU."**
+> Questa è la **Soul Specialista per il Codice** dell'ecosistema RTH-LM (V4 Architecture).
+> Stesso Genome (7B) di base, ma con una "anima" addestrata per programmare (basata su V4 Expanded).
 ⚠️ **PROOF OF CONCEPT** ⚠️
 Questa è una versione **BASE** creata per dimostrare l'efficienza scalare dell'architettura RTH-LM.
 ## ⚡ Che cos'è?
 **RTH-Code 25B** non è un modello a sé stante. È una **Soul intercambiabile**.
+Invece di scaricare un modello da 30GB per ogni task, mantieni il **Genome congelato (7B)** e cambi solo la Soul (**~3.8GB**).
 Questa Soul è stata addestrata specificamente su:
 - **Python** (Data Science, Backend, Torch)
 ```mermaid
 graph TD
     G["Genome 7B<br/>(Frozen Core)"]
+    G --> SC["🔹 Soul CODE<br/>Specialista V4 (25B)"]
+    G --> SG["Soul Generalista<br/>Chat & Knowledge V4"]
     G --> SL["Soul Legal/Medical<br/>(Future)"]
 ```
 ## 📊 Specifiche Tecniche
+| **Feature** | **Dettaglio** |
 |---|---|
+| **Architettura** | Fractal Gated Causal TCN (No Attention) - **V4 Enhanced** |
+| **Parametri Totali** | **25B** (Genome + Soul V4 Expanded) |
+| **Dimensione Soul** | **~3.8GB** (LoRA Rank 512, ~950M params) |
 | **Dataset Training** | **5GB** (Misto: Python, JS, C++, Go) |
 | **Tempo Training** | **8 ORE** (Singola Epoch) ⏱️ |
 | **Contesto** | 2048+ (Teoricamente infinito grazie a TCN) |