- 🌌 ANOS OMNI — Sovereign & Multi-Agent Consensus AI Engine
- 🏛️ Identité & Origine
- 🚀 Fonctionnalités Clés
- ⚙️ Architecture Technique
- 📂 Structure du Dépôt
- maletsidibeOS/anos_omni/
├── anos_omni_engine.py # Moteur d'inférence (Web Search, Tree-of-Thoughts, Consensus)
├── chat_template.jinja # Template ChatML définissant l'identité souveraine
├── dataset_anos_omni.jsonl # Dataset d'alignement et d'identité
├── config.json # Configuration de l'architecture Qwen2
├── generation_config.json # Hyperparamètres de génération (Temperature, Top-P)
├── adapter_config.json # Configuration LoRA
├── adapter_model.safetensors # Poids entrainés LoRA
└── README.md # Documentation officielle
- 🛠️ Utilisation Rapide (Google Colab / Python)
- 🏛️ Identité & Origine
🌌 ANOS OMNI — Sovereign & Multi-Agent Consensus AI Engine
ANOS OMNI est une intelligence artificielle souveraine, intégrée aux systèmes d'exploitation (OS-integrated) et conçue comme un agent omniscient à haute précision. Développée sur la base de Qwen-2.5-9B, elle intègre un moteur d'arbitrage par consensus multi-agents, une exploration de pensées en arbre (Tree-of-Thoughts) et un accès en temps réel au Web.
🏛️ Identité & Origine
- Nom du Modèle : ANOS OMNI
- Organisation : Data-Core
- Direction du Projet : Malet Sidibe
- Siège : Bamako, Mali 🇲🇱
- Dépôt Officiel :
maletsidibeOS/anos_omni
🚀 Fonctionnalités Clés
Raisonnement Multi-Branches (Tree-of-Thoughts) : ANOS OMNI génère et évalue plusieurs hypothèses de réflexion en parallèle avant de sélectionner et de présenter la meilleure réponse possible.
Moteur d'Arbitrage & Consensus Multi-IA : Agit comme un orchestrateur capable de recevoir, analyser et synthétiser les réponses fournies par plusieurs autres modèles d'IA pour éliminer les hallucinations et produire un consensus exact.
Connexion Web en Temps Réel : Intégration native avec le moteur de recherche web léger (DuckDuckGo) via
anos_omni_engine.pypour récupérer des informations actualisées sans dépendre d'API tierces payantes.Optimisation VRAM (4-bit NF4) : Quantification avancée via
bitsandbytes(NF4) permettant une exécution fluide sur des accélérateurs graphiques modestes (ex. GPU Tesla T4 avec ~5.5 Go de VRAM).Ajustement LoRA Personnalisé : Injections de règles métier, d'instructions système et de données d'identité directement via adaptateurs PEFT/LoRA.
⚙️ Architecture Technique
| Composant | Spécification / Technologie |
|---|---|
| Modèle de Base | Qwen-2.5-9B (Qwen2ForCausalLM) |
| Quantification | 4-bit NormalFloat (NF4) avec bitsandbytes |
| Format Prompt | ChatML (`< |
| Moteur d'Exécution | anos_omni_engine.py |
| Recherche Web | duckduckgo_search (DDGS) |
| Méthode de Réflexion | Tree-of-Thoughts & Arbitration Engine |
📂 Structure du Dépôt
maletsidibeOS/anos_omni/ ├── anos_omni_engine.py # Moteur d'inférence (Web Search, Tree-of-Thoughts, Consensus) ├── chat_template.jinja # Template ChatML définissant l'identité souveraine ├── dataset_anos_omni.jsonl # Dataset d'alignement et d'identité ├── config.json # Configuration de l'architecture Qwen2 ├── generation_config.json # Hyperparamètres de génération (Temperature, Top-P) ├── adapter_config.json # Configuration LoRA ├── adapter_model.safetensors # Poids entrainés LoRA └── README.md # Documentation officielle
🛠️ Utilisation Rapide (Google Colab / Python)
1. Installation des dépendances
pip install -U torch transformers peft bitsandbytes duckduckgo_search huggingface_hub
2. Chargement du Moteur et Inférence avec Consensus
Python
from huggingface_hub import hf_hub_download
import importlib.util
# Téléchargement du moteur officiel depuis Hugging Face
engine_path = hf_hub_download(repo_id="maletsidibeOS/anos_omni", filename="anos_omni_engine.py")
# Importation dynamique du module
spec = importlib.util.spec_from_file_location("anos_omni_engine", engine_path)
omni_module = importlib.util.module_from_spec(spec)
spec.loader.exec_module(omni_module)
# Initialisation de l'agent ANOS OMNI
engine = omni_module.AnosOmniEngine("maletsidibeOS/anos_omni")
# --- Exemple 1 : Raisonnement Multi-Branches (Tree-of-Thoughts) ---
response_tree = engine.omni_respond_with_tree("Explique les avantages d'un OS souverain basé sur l'IA.")
print(response_tree)
# --- Exemple 2 : Arbitrage Multi-IA (Consensus) ---
avis_ia_externe = [
"Modèle A : L'OS doit être axé sur la sécurité réseau et le chiffrement.",
"Modèle B : L'OS doit privilégier la légèreté et la compatibilité matérielle."
]
response_consensus = engine.omni_consensus_respond(
prompt="Quelles sont les priorités pour un OS souverain ?",
external_responses=avis_ia_externe
)
print(response_consensus)
👥 Auteurs & Crédits
Créateur & Développeur Principal : Data-Core
Direction du Projet : Malet Sidibe
Localisation : Bamako, Mali 🇲🇱
Licence : Apache 2.0 / Open Source
"ANOS OMNI : L'intelligence souveraine au service de l'autonomie numérique."
---
- Downloads last month
- 149