Instructions to use thiagonishimura/TerraModel with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Notebooks
Google Colab
Kaggle
Local Apps Settings

How to use thiagonishimura/TerraModel 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 thiagonishimura/TerraModel:Q4_K_M
# Run inference directly in the terminal:
llama cli -hf thiagonishimura/TerraModel:Q4_K_M

Install from WinGet (Windows)

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

Use Docker

docker model run hf.co/thiagonishimura/TerraModel:Q4_K_M

LM Studio
Jan
Ollama
How to use thiagonishimura/TerraModel with Ollama:
```
ollama run hf.co/thiagonishimura/TerraModel:Q4_K_M
```
Unsloth Desktop

How to use thiagonishimura/TerraModel with Pi:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf thiagonishimura/TerraModel: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": "thiagonishimura/TerraModel:Q4_K_M"
        }
      ]
    }
  }
}

Run Pi

# Start Pi in your project directory:
pi

Docker Model Runner
How to use thiagonishimura/TerraModel with Docker Model Runner:
```
docker model run hf.co/thiagonishimura/TerraModel:Q4_K_M
```

Lemonade

How to use thiagonishimura/TerraModel with Lemonade:

Pull the model

# Download Lemonade from https://lemonade-server.ai/
lemonade pull thiagonishimura/TerraModel:Q4_K_M

Run and chat with the model

lemonade run user.TerraModel-Q4_K_M

List all available models

lemonade list

Hermes Agent

How to use thiagonishimura/TerraModel with Hermes Agent:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf thiagonishimura/TerraModel: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 thiagonishimura/TerraModel:Q4_K_M

Run Hermes

hermes

Atomic Chat

OpenClaw

How to use thiagonishimura/TerraModel with OpenClaw:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf thiagonishimura/TerraModel: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 "thiagonishimura/TerraModel: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"

thiagonishimura commited on Jul 9

Commit

b75907e

verified ·

1 Parent(s): fc3d735

Update README.md

Browse files

Files changed (1) hide show

README.md +19 -13

README.md CHANGED Viewed

@@ -31,19 +31,25 @@ Este repositório contém as versões quantizadas em formato **GGUF (4 bits e 8
 - **Domínio:** Geoespacial, PostGIS, Monitoramento Ambiental (Amazônia)
 - **Idioma Principal:** Português (PT-BR) / SQL
-## 📂 Arquivos do Repositório
-### Modelos Quantizados (CPU-Only)
-Recomendamos o download da versão **Q4** para ambientes com restrição severa de memória (aprox. 4.68 GB de RAM necessários para o 7B) ou a versão **Q8** para um *trade-off* superior entre acurácia de execução e latência.
-* `terramodel-7b-q8_0.gguf`
-* `terramodel-7b-q4_k_m.gguf`
-* `terramodel-3b-q8_0.gguf`
-* `terramodel-3b-q4_k_m.gguf`
-### Modelos em Alta Precisão (GPU)
-Para infraestruturas que contam com aceleração gráfica, os pesos fundidos (*merged*) originais estão disponíveis nas seguintes pastas:
-* 📁 `terramodel-7b-bf16/`
-* 📁 `terramodel-3b-bf16/`
 ## 💻 Como Utilizar (Inferência Local em Python via CPU)

 - **Domínio:** Geoespacial, PostGIS, Monitoramento Ambiental (Amazônia)
 - **Idioma Principal:** Português (PT-BR) / SQL
+## 📂 Arquivos do Repositório: Qual versão baixar?
+### 1. Modelos Quantizados (CPU-Only)
+Para ambientes restritos a processadores centrais, oferecemos formatos GGUF. Escolha a versão de acordo com a disponibilidade de memória RAM do seu servidor:
+**Versões Q4 (INT4)**
+Ideais para restrição severa de memória, oferecendo maior velocidade de geração (menor latência):
+* `terramodel-7b-q4_k_m.gguf`: Requer **~4.68 GB** de RAM.
+* `terramodel-3b-q4_k_m.gguf`: Requer apenas **~1.93 GB** de RAM (Versão mais leve, viável em praticamente qualquer dispositivo).
+**Versões Q8 (INT8)**
+Recomendadas se você possui maior folga na memória RAM e deseja priorizar a acurácia máxima e a integridade sintática nas consultas geradas:
+* `terramodel-7b-q8_0.gguf`: Requer **~8.10 GB** de RAM (Melhor equilíbrio de desempenho empírico no benchmark).
+* `terramodel-3b-q8_0.gguf`: Requer **~3.29 GB** de RAM.
+### 2. Modelos em Alta Precisão (GPU)
+Para infraestruturas que contam com aceleração gráfica, os pesos fundidos (*merged*) originais estão disponíveis nas seguintes pastas. O carregamento direto em VRAM (FP16) reflete o tamanho integral dos tensores:
+* 📁 `terramodel-7b-bf16/` (Requer **~15.2 GB** de VRAM dedicada)
+* 📁 `terramodel-3b-bf16/` (Requer **~6.18 GB** de VRAM dedicada)
 ## 💻 Como Utilizar (Inferência Local em Python via CPU)