Instructions to use SpaceGhost/SpaceCode-E2B with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Notebooks
Google Colab
Kaggle
Local Apps Settings

How to use SpaceGhost/SpaceCode-E2B 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 SpaceGhost/SpaceCode-E2B:Q4_K_M
# Run inference directly in the terminal:
llama cli -hf SpaceGhost/SpaceCode-E2B:Q4_K_M

Install from WinGet (Windows)

winget install llama.cpp
# Start a local OpenAI-compatible server with a web UI:
llama serve -hf SpaceGhost/SpaceCode-E2B:Q4_K_M
# Run inference directly in the terminal:
llama cli -hf SpaceGhost/SpaceCode-E2B:Q4_K_M

Build from source code

git clone https://github.com/ggml-org/llama.cpp.git
cd llama.cpp
cmake -B build
cmake --build build -j --target llama-app
# Start a local OpenAI-compatible server with a web UI:
./build/bin/llama serve -hf SpaceGhost/SpaceCode-E2B:Q4_K_M
# Run inference directly in the terminal:
./build/bin/llama cli -hf SpaceGhost/SpaceCode-E2B:Q4_K_M

Use Docker

docker model run hf.co/SpaceGhost/SpaceCode-E2B:Q4_K_M

Llama new
LM Studio
Jan

vLLM

How to use SpaceGhost/SpaceCode-E2B with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "SpaceGhost/SpaceCode-E2B"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "SpaceGhost/SpaceCode-E2B",
		"messages": [
			{
				"role": "user",
				"content": [
					{
						"type": "text",
						"text": "Describe this image in one sentence."
					},
					{
						"type": "image_url",
						"image_url": {
							"url": "https://cdn.britannica.com/61/93061-050-99147DCE/Statue-of-Liberty-Island-New-York-Bay.jpg"
						}
					}
				]
			}
		]
	}'

Use Docker

docker model run hf.co/SpaceGhost/SpaceCode-E2B:Q4_K_M

Ollama
How to use SpaceGhost/SpaceCode-E2B with Ollama:
```
ollama run hf.co/SpaceGhost/SpaceCode-E2B:Q4_K_M
```
Unsloth Desktop

How to use SpaceGhost/SpaceCode-E2B with Pi:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf SpaceGhost/SpaceCode-E2B:Q4_K_M

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": "SpaceGhost/SpaceCode-E2B:Q4_K_M"
        }
      ]
    }
  }
}

Run Pi

# Start Pi in your project directory:
pi

Docker Model Runner
How to use SpaceGhost/SpaceCode-E2B with Docker Model Runner:
```
docker model run hf.co/SpaceGhost/SpaceCode-E2B:Q4_K_M
```

Lemonade

How to use SpaceGhost/SpaceCode-E2B with Lemonade:

Pull the model

# Download Lemonade from https://lemonade-server.ai/
lemonade pull SpaceGhost/SpaceCode-E2B:Q4_K_M

Run and chat with the model

lemonade run user.SpaceCode-E2B-Q4_K_M

List all available models

lemonade list

Hermes Agent

How to use SpaceGhost/SpaceCode-E2B with Hermes Agent:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf SpaceGhost/SpaceCode-E2B:Q4_K_M

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 SpaceGhost/SpaceCode-E2B:Q4_K_M

Run Hermes

hermes

Atomic Chat

OpenClaw

How to use SpaceGhost/SpaceCode-E2B with OpenClaw:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf SpaceGhost/SpaceCode-E2B:Q4_K_M

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 "SpaceGhost/SpaceCode-E2B:Q4_K_M" \
  --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"

SpaceGhost commited on 6 days ago

Commit

1c0d433

verified ·

1 Parent(s): 1383452

docs: update public Model Card

Browse files

Files changed (1) hide show

README.md +24 -65

README.md CHANGED Viewed

@@ -2,9 +2,6 @@
 license: gemma
 base_model:
   - google/gemma-4-E2B-it
-  - unsloth/gemma-4-E2B-it
-datasets:
-  - SpaceGhost/space-dataset
 tags:
   - code
   - vision
@@ -13,7 +10,7 @@ tags:
   - llama.cpp
   - ollama
   - unsloth
-  - causal-software-engineering
   - react
   - flutter
   - typescript
@@ -26,94 +23,56 @@ language:
 pipeline_tag: image-text-to-text
 ---
-# SpaceCode-E2B-it (`SpaceGhost/SpaceCode-E2B-it`)
-**SpaceCode-E2B-it** é um modelo de Engenharia de Software e Reparo Visual Causal derivado do **Google Gemma 4 E2B (`google/gemma-4-E2B-it`)**, treinado via QLoRA SFT com [Unsloth](https://github.com/unslothai/unsloth) e quantizado em formato **GGUF (`Q4_K_M`)** pela **SpaceGhost** através do projeto `dataset-treina`.
 ---
-## 📌 Visão Geral do Modelo
-- **Nome Oficial**: `SpaceCode-E2B-it`
-- **Repositório Hugging Face**: [`SpaceGhost/SpaceCode-E2B-it`](https://huggingface.co/SpaceGhost/SpaceCode-E2B-it)
-- **Dataset Oficial**: [`SpaceGhost/space-dataset`](https://huggingface.co/datasets/SpaceGhost/space-dataset) (`data/gemma4/train_131.jsonl`)
-- **Modelo Base**: `google/gemma-4-E2B-it` (`unsloth/gemma-4-E2B-it`)
-- **Formato / Quantização**: `GGUF` (`gemma-4-E2B-it.Q4_K_M.gguf`) + `Modelfile` oficial para Ollama
-- **Janela de Contexto**: 128K tokens (treinado com `max_seq_length=4096`)
 ---
-## 📊 Corpus de Treinamento Consolidado (131 Exemplos Auditados)
-O modelo foi ajustado sobre o corpus **`train_131.jsonl`** (SHA-256: `f4382467afa2a41e832c01d79489fdb17e9c561e6b5ec26545bdc937a74c1009`), combinando reparo visual causal e engenharia de software políglota com **zero vazamento (0% data leakage)** contra os conjuntos de validação, holdout de teste e benchmark de ambiguidade:
-1. **C08 — Diagnóstico Causal e Reparo Visual Dual-Image (31 exemplos)**:
-   - Pares multimodais (`expected_ui` vs. `actual_ui` + código quebrado) cobrindo regressões de CSS/Tailwind e Flutter (`flex_direction`, `grid_columns`, `overflow_clipping`, `padding_collapse`, `gap_collapse`, `z_index_occlusion`, `color_contrast`, `alignment_shift`).
-   - Saída estruturada em 3 blocos auditáveis:
-     1. `### 1. Diagnóstico Causal da Regressão Visual`
-     2. `### 2. Patch Mínimo (Unified Diff)`
-     3. `### 3. Código Corrigido Completo`
-2. **Engenharia de Software Políglota C01–C06 (100 exemplos em 9 linguagens)**:
-   - **Linguagens**: TypeScript (28), Python (22), Dart/Flutter (11), SQL (10), Java (9), Go (8), C# (5), Rust (5) e Bash (2).
-   - **Categorias**:
-     - `C01`: Correção de Bug com Causa Raiz + Teste Unitário (23)
-     - `C02`: Refatoração Estrutural / Clean Architecture (16)
-     - `C03`: Geração de Testes Unitários e Edge Cases (15)
-     - `C04`: Code Review Técnico e Segurança / OWASP (15)
-     - `C05`: Raciocínio Arquitetural e Trade-offs / ADR (16)
-     - `C06`: Implementação Idiomática End-to-End (15)
----
-## ⚙️ Hiperparâmetros e Telemetria de Treinamento
-| Parâmetro / Métrica | Valor |
-| :--- | :--- |
-| **Hardware** | 1x NVIDIA L4 (23 GB VRAM, CUDA 13.0, `bfloat16`) |
-| **Método de Fine-Tuning** | QLoRA 4-bit (`r=16`, `lora_alpha=16`, `lora_dropout=0`) |
-| **Parâmetros Treináveis** | `36,925,440` de `5,160,103,456` (`0.72%`) |
-| **Épocas / Steps Totais** | `3.0` épocas (`99` steps de otimização) |
-| **Batch Efetivo** | `4` (`per_device_train_batch_size=1`, `gradient_accumulation_steps=4`) |
-| **Learning Rate / Scheduler** | `2e-4` (`cosine`, `warmup_ratio=0.05`, `adamw_8bit`) |
-| **Training Loss Inicial $\rightarrow$ Final** | `2.3800` (step 1) $\rightarrow$ `0.4500–0.9045` (época 3) |
-| **Training Loss Médio Global** | **`0.97316`** |
-| **Tempo Total de Treino** | `822.52s` (~13m42s) |
 ---
-## 🚀 Como Executar Localmente
-### 1. Via Ollama
 ```bash
 ollama run hf.co/SpaceGhost/SpaceCode-E2B-it
 ```
-### 2. Via `llama.cpp` (`llama-cli`)
 ```bash
 llama-cli -hf SpaceGhost/SpaceCode-E2B-it --jinja
 ```
-### 3. Arquivos Disponíveis no Repositório
-- `gemma-4-E2B-it.Q4_K_M.gguf` — Pesos quantizados em 4-bit (`Q4_K_M`)
-- `Modelfile` — Configuração pronta para importação no Ollama
-- `config.json` — Metadados de arquitetura Gemma 4 E2B
-> **Nota sobre Multimodalidade em GGUF**: O arquivo `.gguf` exportado contém o backbone de texto quantizado (`Q4_K_M`) para inferência rápida de código, diagnóstico textual, refatoração e arquitetura em CPU/GPU local. Para inferência com entrada direta de imagens (visão nativa Dual-Image C08), utilize o adaptador QLoRA com `Unsloth` / `Transformers` (`FastVisionModel`).
 ---
-## 🧭 Linhagem Oficial SpaceGhost
-| Repositório Hugging Face | Papel na Arquitetura | Commit SHA |
 | :--- | :--- | :--- |
-| [`SpaceGhost/SpaceCode`](https://huggingface.co/SpaceGhost/SpaceCode) | **Adaptador QLoRA Multimodal** (`adapter_model.safetensors` + `processor_config.json`) | `45673d32` |
-| [`SpaceGhost/SpaceCode-Merged`](https://huggingface.co/SpaceGhost/SpaceCode-Merged) | **Modelo 16-bit Merged** (QLoRA fundido ao base `model.safetensors` + visão multimodal) | `dbc5242d` |
-| [`SpaceGhost/SpaceCode-E2B-it`](https://huggingface.co/SpaceGhost/SpaceCode-E2B-it) | **Modelo Quantizado GGUF (`Q4_K_M`)** + `Modelfile` para Ollama / `llama.cpp` | `560caef9` |
-| [`SpaceGhost/space-dataset`](https://huggingface.co/datasets/SpaceGhost/space-dataset) | **Dataset Oficial Auditado** (`train_131.jsonl`, `manifest_131.json`, splits C07/C08) | `c6306f4a` |
 ---
-## ⚠️ Nota de Atribuição
 - *SpaceCode-E2B-it is a fine-tuned derivative of Google Gemma 4 E2B (`google/gemma-4-E2B-it`).*
-- Desenvolvido pela organização **SpaceGhost** no contexto do projeto `dataset-treina` (sem relação com o benchmark acadêmico independente `KurtDu/SpaceCode-Bench`).

 license: gemma
 base_model:
   - google/gemma-4-E2B-it
 tags:
   - code
   - vision
   - llama.cpp
   - ollama
   - unsloth
+  - software-engineering
   - react
   - flutter
   - typescript
 pipeline_tag: image-text-to-text
 ---
+# SpaceCode-E2B-it
+**SpaceCode-E2B-it** é um modelo de Engenharia de Software e Reparo Visual de Interfaces derivado do **Google Gemma 4 E2B (`google/gemma-4-E2B-it`)**, ajustado via QLoRA SFT com [Unsloth](https://github.com/unslothai/unsloth) pela **SpaceGhost**.
 ---
+## 📌 Visão Geral
+- **Modelo Base**: `google/gemma-4-E2B-it`
+- **Arquitetura**: Multimodal (Visão + Texto) e Geração de Código
+- **Janela de Contexto**: 128K tokens
+- **Método de Ajuste**: QLoRA 4-bit SFT
 ---
+## 🎯 Capacidades Principais
+1. **Diagnóstico e Reparo de Interfaces (UI/UX & Frontend/Mobile)**:
+   - Identificação de regressões visuais e problemas de layout em **React / TypeScript / Tailwind CSS** e **Flutter / Dart**.
+   - Geração de diagnósticos de causa raiz, patches em formato *Unified Diff* e código corrigido.
+2. **Engenharia de Software Políglota**:
+   - Suporte a **TypeScript, Python, Dart/Flutter, SQL, Java, Go, C#, Rust e Bash**.
+   - Correção de bugs com análise de causa raiz, refatoração estrutural, geração de testes unitários, revisão de código (segurança e boas práticas) e decisões de arquitetura.
 ---
+## 🚀 Como Executar
+### Via Ollama
 ```bash
 ollama run hf.co/SpaceGhost/SpaceCode-E2B-it
 ```
+### Via `llama.cpp`
 ```bash
 llama-cli -hf SpaceGhost/SpaceCode-E2B-it --jinja
 ```
 ---
+## 🧭 Variantes Oficiais
+| Repositório | Formato | Uso Recomendado |
 | :--- | :--- | :--- |
+| [`SpaceGhost/SpaceCode-E2B-it`](https://huggingface.co/SpaceGhost/SpaceCode-E2B-it) | **GGUF (`Q4_K_M`)** | Inferência rápida local via Ollama e `llama.cpp` |
+| [`SpaceGhost/SpaceCode-Merged`](https://huggingface.co/SpaceGhost/SpaceCode-Merged) | **Safetensors (16-bit)** | Inferência multimodal completa (Visão + Texto) via Transformers / vLLM |
+| [`SpaceGhost/SpaceCode`](https://huggingface.co/SpaceGhost/SpaceCode) | **QLoRA Adapter** | Inferência leve com PEFT / Unsloth e continuidade de fine-tuning |
 ---
+## ⚠️ Atribuição
 - *SpaceCode-E2B-it is a fine-tuned derivative of Google Gemma 4 E2B (`google/gemma-4-E2B-it`).*