Instructions to use HattoriHanzo1/Qijang with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Notebooks
Google Colab
Kaggle
Local Apps Settings

How to use HattoriHanzo1/Qijang 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 HattoriHanzo1/Qijang:Q4_K_M
# Run inference directly in the terminal:
llama cli -hf HattoriHanzo1/Qijang:Q4_K_M

Install from WinGet (Windows)

winget install llama.cpp
# Start a local OpenAI-compatible server with a web UI:
llama serve -hf HattoriHanzo1/Qijang:Q4_K_M
# Run inference directly in the terminal:
llama cli -hf HattoriHanzo1/Qijang: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 HattoriHanzo1/Qijang:Q4_K_M
# Run inference directly in the terminal:
./llama-cli -hf HattoriHanzo1/Qijang: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 HattoriHanzo1/Qijang:Q4_K_M
# Run inference directly in the terminal:
./build/bin/llama-cli -hf HattoriHanzo1/Qijang:Q4_K_M

Use Docker

docker model run hf.co/HattoriHanzo1/Qijang:Q4_K_M

LM Studio
Jan
Ollama
How to use HattoriHanzo1/Qijang with Ollama:
```
ollama run hf.co/HattoriHanzo1/Qijang:Q4_K_M
```
Unsloth Desktop

How to use HattoriHanzo1/Qijang with Pi:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf HattoriHanzo1/Qijang: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": "HattoriHanzo1/Qijang:Q4_K_M"
        }
      ]
    }
  }
}

Run Pi

# Start Pi in your project directory:
pi

Docker Model Runner
How to use HattoriHanzo1/Qijang with Docker Model Runner:
```
docker model run hf.co/HattoriHanzo1/Qijang:Q4_K_M
```

Lemonade

How to use HattoriHanzo1/Qijang with Lemonade:

Pull the model

# Download Lemonade from https://lemonade-server.ai/
lemonade pull HattoriHanzo1/Qijang:Q4_K_M

Run and chat with the model

lemonade run user.Qijang-Q4_K_M

List all available models

lemonade list

Hermes Agent

How to use HattoriHanzo1/Qijang with Hermes Agent:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf HattoriHanzo1/Qijang: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 HattoriHanzo1/Qijang:Q4_K_M

Run Hermes

hermes

Atomic Chat

OpenClaw

How to use HattoriHanzo1/Qijang with OpenClaw:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf HattoriHanzo1/Qijang: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 "HattoriHanzo1/Qijang: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"

Qijang Banner

Trenuje modele z pasji i dla społeczności. Jeśli moja praca ułatwia Ci życie lub oszczędza czas, każda postawiona kawa pomaga w opłaceniu kolejnych treningów GPU! ☕👇

Qijang – Model Card

"Shén lóng jiàn shǒu bù jiàn wěi" – Boski smok pokazuje głowę, ale nie widać jego ogona.

🛠️ O projekcie

Niniejszy model to autorski fine-tuning oparty na solidnej architekturze bazowej od Alibaba Group – szanuje oryginalną pracę twórców bazy. Moim zadaniem w Shinobi Tech było precyzyjne dostrojenie modelu (fine-tuning) pod kątem specyficznych wymagań, logiki oraz języka polskiego, ze szczególnym uwzględnieniem naturalnego podejścia w interakcji z młodym odbiorcą.

⚙️ Specyfikacja i Proces Treningowy

Baza: Qwen 3.5 (sprawdzona, stabilna inżynieria)
Podejście: Precyzyjny, wieloetapowy proces dostrajania .
Przeznaczenie: Logika, zadania analityczne, programowanie w Pythonie oraz przystępne wyjaśnianie trudnych zagadnień z fizyki i matematyki w języku polskim.

🎯 Charakterystyka

Model został zaprojektowany tak, aby nie rzucać w użytkownika suchą, encyklopedyczną ścianą tekstu. Zamiast tego potrafi ważyć kontekst, dobierać odpowiedni ton wypowiedzi i bezpiecznie lawirować między twardymi faktami a intuicyjnym zrozumieniem problemu. Idealny do zastosowań edukacyjnych i codziennej współpracy.

Sugerowany model, aby w pełni wykorzystać potencjał modelu odnośnie stylu i finezji, to kwantyzacja w wersji Q5_K_M:

Pobierz Qijang-4B-Q5_K_M.gguf

☕ Wsparcie Projektu

Stworzenie i dopracowanie tego modelu wymagało sporo czasu, testów i zasobów sprzętowych. Jeśli uznajesz go za użyteczny i chcesz wesprzeć dalszy rozwój otwartych projektów, możesz dorzucić swoją cegiełkę:

Dzieki za kazde wsparcie, widzimy sie przy kolejnych treningach! 🚀

Downloads last month: 330

GGUF

Model size

4B params

Architecture

qwen35

Hardware compatibility

3-bit

4-bit

5-bit

6-bit

8-bit

16-bit

Inference Providers NEW

This model isn't deployed by any Inference Provider. 🙋 Ask for provider support

Collection including HattoriHanzo1/Qijang

# Shinobi Tech 🥷⚡ *Precision-crafted open-source AI models,

Collection

10 items • Updated Jul 28