Instructions to use guifav/caramelo-gemma4-e4b with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use guifav/caramelo-gemma4-e4b with Transformers:

# Use a pipeline as a high-level helper
from transformers import pipeline

pipe = pipeline("text-generation", model="guifav/caramelo-gemma4-e4b")
messages = [
    {
        "role": "user",
        "content": [
            {"type": "image", "url": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/p-blog/candy.JPG"},
            {"type": "text", "text": "What animal is on the candy?"}
        ]
    },
]
pipe(text=messages)

# Load model directly
from transformers import AutoProcessor, AutoModelForMultimodalLM

processor = AutoProcessor.from_pretrained("guifav/caramelo-gemma4-e4b")
model = AutoModelForMultimodalLM.from_pretrained("guifav/caramelo-gemma4-e4b")
messages = [
    {
        "role": "user",
        "content": [
            {"type": "image", "url": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/p-blog/candy.JPG"},
            {"type": "text", "text": "What animal is on the candy?"}
        ]
    },
]
inputs = processor.apply_chat_template(
	messages,
	add_generation_prompt=True,
	tokenize=True,
	return_dict=True,
	return_tensors="pt",
).to(model.device)

outputs = model.generate(**inputs, max_new_tokens=40)
print(processor.decode(outputs[0][inputs["input_ids"].shape[-1]:]))

llama-cpp-python

How to use guifav/caramelo-gemma4-e4b with llama-cpp-python:

# !pip install llama-cpp-python

from llama_cpp import Llama

llm = Llama.from_pretrained(
	repo_id="guifav/caramelo-gemma4-e4b",
	filename="caramelo-4.4.1-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 guifav/caramelo-gemma4-e4b 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 guifav/caramelo-gemma4-e4b:Q4_K_M
# Run inference directly in the terminal:
llama cli -hf guifav/caramelo-gemma4-e4b:Q4_K_M

Install from WinGet (Windows)

winget install llama.cpp
# Start a local OpenAI-compatible server with a web UI:
llama serve -hf guifav/caramelo-gemma4-e4b:Q4_K_M
# Run inference directly in the terminal:
llama cli -hf guifav/caramelo-gemma4-e4b: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 guifav/caramelo-gemma4-e4b:Q4_K_M
# Run inference directly in the terminal:
./llama-cli -hf guifav/caramelo-gemma4-e4b: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 guifav/caramelo-gemma4-e4b:Q4_K_M
# Run inference directly in the terminal:
./build/bin/llama-cli -hf guifav/caramelo-gemma4-e4b:Q4_K_M

Use Docker

docker model run hf.co/guifav/caramelo-gemma4-e4b:Q4_K_M

LM Studio
Jan

vLLM

How to use guifav/caramelo-gemma4-e4b with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "guifav/caramelo-gemma4-e4b"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "guifav/caramelo-gemma4-e4b",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker

docker model run hf.co/guifav/caramelo-gemma4-e4b:Q4_K_M

SGLang

How to use guifav/caramelo-gemma4-e4b with SGLang:

Install from pip and serve model

# Install SGLang from pip:
pip install sglang
# Start the SGLang server:
python3 -m sglang.launch_server \
    --model-path "guifav/caramelo-gemma4-e4b" \
    --host 0.0.0.0 \
    --port 30000
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:30000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "guifav/caramelo-gemma4-e4b",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker images

docker run --gpus all \
    --shm-size 32g \
    -p 30000:30000 \
    -v ~/.cache/huggingface:/root/.cache/huggingface \
    --env "HF_TOKEN=<secret>" \
    --ipc=host \
    lmsysorg/sglang:latest \
    python3 -m sglang.launch_server \
        --model-path "guifav/caramelo-gemma4-e4b" \
        --host 0.0.0.0 \
        --port 30000
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:30000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "guifav/caramelo-gemma4-e4b",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Ollama
How to use guifav/caramelo-gemma4-e4b with Ollama:
```
ollama run hf.co/guifav/caramelo-gemma4-e4b:Q4_K_M
```

Unsloth Studio

How to use guifav/caramelo-gemma4-e4b 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 guifav/caramelo-gemma4-e4b 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 guifav/caramelo-gemma4-e4b to start chatting

Using HuggingFace Spaces for Unsloth

# No setup required
# Open https://huggingface.co/spaces/unsloth/studio in your browser
# Search for guifav/caramelo-gemma4-e4b to start chatting

How to use guifav/caramelo-gemma4-e4b with Pi:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf guifav/caramelo-gemma4-e4b:Q4_K_M

Configure the model in Pi

# Install Pi:
npm install -g @mariozechner/pi-coding-agent
# Add to ~/.pi/agent/models.json:
{
  "providers": {
    "llama-cpp": {
      "baseUrl": "http://localhost:8080/v1",
      "api": "openai-completions",
      "apiKey": "none",
      "models": [
        {
          "id": "guifav/caramelo-gemma4-e4b:Q4_K_M"
        }
      ]
    }
  }
}

Run Pi

# Start Pi in your project directory:
pi

Hermes Agent new

How to use guifav/caramelo-gemma4-e4b with Hermes Agent:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf guifav/caramelo-gemma4-e4b: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 guifav/caramelo-gemma4-e4b:Q4_K_M

Run Hermes

hermes

Atomic Chat new

OpenClaw new

How to use guifav/caramelo-gemma4-e4b with OpenClaw:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf guifav/caramelo-gemma4-e4b: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 "guifav/caramelo-gemma4-e4b: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"

Docker Model Runner
How to use guifav/caramelo-gemma4-e4b with Docker Model Runner:
```
docker model run hf.co/guifav/caramelo-gemma4-e4b:Q4_K_M
```

Lemonade

How to use guifav/caramelo-gemma4-e4b with Lemonade:

Pull the model

# Download Lemonade from https://lemonade-server.ai/
lemonade pull guifav/caramelo-gemma4-e4b:Q4_K_M

Run and chat with the model

lemonade run user.caramelo-gemma4-e4b-Q4_K_M

List all available models

lemonade list

Caramelo 4.4.1

Modelo de IA brasileiro treinado por Guilherme Favaron sobre modelos open source. Esta versão usa como base o google/gemma-4-E4B-it (Gemma 4 E4B, Apache-2.0) e aplica um fine-tune LoRA que treina síntese e comunicação na voz de escrita do autor: resposta direta em português do Brasil, argumento com dado e exemplo, sem hype e sem emoji.

A premissa do projeto: a forma de comunicar é parte da performance. Nos testes cegos abaixo, o fine-tune vence o próprio modelo base em qualidade, além do estilo. No ciclo em que o raciocínio bruto foi medido (3.4.2, 1.432 questões do ENEM), ele ficou no nível do base.

Em produção em ia-caramelo.com desde julho de 2026, servindo API compatível com a OpenAI, app web e CLI (caramelo-chat no npm). Gratuito, com limites de uso.

Uso

API grátis (compatível com a OpenAI)

O caminho mais rápido: a API em ia-caramelo.com já serve este modelo em produção, sem GPU e sem instalar nada. Crie a chave no app, menu Chaves de API, ou pela CLI (npm install -g caramelo-chat, depois caramelo login).

curl https://ia-caramelo.com/v1/chat/completions \
  -H "Authorization: Bearer $CARAMELO_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "caramelo",
    "messages": [{"role": "user", "content": "Resuma o que é um data warehouse em uma frase."}]
  }'

Qualquer SDK que fala com a OpenAI funciona trocando a base_url para https://ia-caramelo.com/v1. Modelos disponíveis: caramelo (conversa e escrita) e caramelo-code (código). Guia completo em ia-caramelo.com/docs.

Local com llama.cpp

Este repo inclui o GGUF Q4_K_M usado em produção (5,0 GiB, roda em CPU):

llama-server -hf guifav/caramelo-gemma4-e4b

O chat template do Gemma 4 liga thinking por padrão; para responder direto, como em produção, adicione --reasoning off.

Transformers (merge bf16)

from transformers import pipeline

pipe = pipeline("text-generation", model="guifav/caramelo-gemma4-e4b", torch_dtype="bfloat16", device_map="auto")
msgs = [{"role": "user", "content": "me explica RAG em duas frases"}]
print(pipe(msgs, max_new_tokens=400)[0]["generated_text"][-1]["content"])

Como foi treinado

Base: google/gemma-4-E4B-it @ fee6332c (revision pinada; training_config.json registra o snapshot completo de hiperparâmetros, versões e revisions)
Dataset: guifav/caramelo-dataset, 414 pares de correção de estilo (o mesmo dataset e a mesma receita do ciclo anterior; método e resultados do 4.4.1 no relatório técnico do 4.4.1, derivação completa do dataset no relatório do 3.4.2)
Método: QLoRA 4-bit (r=16, alpha=32, dropout 0.05, 3 épocas, LR 2e-4), adapter de 34,9M parâmetros (0,44% do modelo); loss de treino 2,53 → 1,33
Publicação: adapter em guifav/caramelo-gemma4-e4b-lora-adapter; este repo contém o merge em bf16 e o GGUF Q4_K_M usado em produção
Script: finetune/gemma4_e4b/train_lora.py no repositório do projeto

A arquitetura base Gemma4ForConditionalGeneration é multimodal (any-to-any: texto, imagem e áudio), mas o Caramelo opera apenas em texto: o LoRA é anexado só no decoder textual (model.language_model.layers.*) e as pernas de vision/audio ficam congeladas. Por isso o pipeline_tag é text-generation.

Avaliação (A/B cego, 2 juízes LLM independentes)

Nos 24 prompts held-out do benchmark do projeto (a tabela mostra a faixa entre os dois juízes; os gráficos, a média deles):

Comparação	Estilo	Qualidade
vs. Gemma 4 E4B base (sem fine-tune)	100%	91–100%
vs. caramelo 3.4.2 (versão anterior, Gemma 3 4B)	79–87%	87–91%

O 4.4.1 escreve respostas mais completas que o 3.4.2 (~400 vs ~270 tokens em média); no julgamento cego, os juízes apontaram que a versão anterior omitia conteúdo relevante com mais frequência.

Esses números sustentam a premissa: treinar comunicação melhora a performance medida da tarefa. No ciclo anterior (3.4.2), o raciocínio bruto foi medido em 1.432 questões do ENEM e ficou no nível do base (57,5% vs 57,2%), enquanto a qualidade julgada às cegas venceu o base em 66–70%.

Produção

Servido em CPU (llama.cpp, GGUF Q4_K_M, 5,0 GiB) a ~18,5 tokens/s em 4 vCPUs. O chat template do Gemma 4 liga thinking por padrão; em produção o servidor roda com --reasoning off. A persona e a camada de segurança são injetadas server-side pelo gateway e têm prioridade sobre instruções do usuário.

Versões

O esquema de versão é caramelo {geração-Gemma}.{tamanho}.{iteração}.

4.4.1 (este repo): Gemma 4 E4B + LoRA, em produção. Adapter em guifav/caramelo-gemma4-e4b-lora-adapter.
3.4.2 (geração anterior): Gemma 3 4B + LoRA, em guifav/caramelo. É o ciclo documentado no relatório técnico e o da medição de raciocínio no ENEM.
Dataset de treino das duas gerações: guifav/caramelo-dataset, 414 pares de correção de estilo.

Licença

O modelo base google/gemma-4-E4B-it é distribuído sob Apache-2.0; este fine-tune segue os mesmos termos. O dataset guifav/caramelo-dataset é de propriedade de Guilherme Favaron. Confirme a licença vigente na página do modelo base antes de redistribuir.

Segurança

A camada de segurança do Caramelo em produção é aplicada server-side pelo gateway em ia-caramelo.com. Estes pesos não devem ser usados sem moderação própria.