Instructions to use Anserwise/AWAXIS-Hybrid-28B with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use Anserwise/AWAXIS-Hybrid-28B with Transformers:

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

pipe = pipeline("text-generation", model="Anserwise/AWAXIS-Hybrid-28B")
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, AutoModelForImageTextToText

processor = AutoProcessor.from_pretrained("Anserwise/AWAXIS-Hybrid-28B")
model = AutoModelForImageTextToText.from_pretrained("Anserwise/AWAXIS-Hybrid-28B")
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]:]))

Notebooks
Google Colab
Kaggle
Local Apps

vLLM

How to use Anserwise/AWAXIS-Hybrid-28B with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "Anserwise/AWAXIS-Hybrid-28B"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "Anserwise/AWAXIS-Hybrid-28B",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker

docker model run hf.co/Anserwise/AWAXIS-Hybrid-28B

SGLang

How to use Anserwise/AWAXIS-Hybrid-28B 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 "Anserwise/AWAXIS-Hybrid-28B" \
    --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": "Anserwise/AWAXIS-Hybrid-28B",
		"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 "Anserwise/AWAXIS-Hybrid-28B" \
        --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": "Anserwise/AWAXIS-Hybrid-28B",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Docker Model Runner
How to use Anserwise/AWAXIS-Hybrid-28B with Docker Model Runner:
```
docker model run hf.co/Anserwise/AWAXIS-Hybrid-28B
```

Anserwise commited on 20 days ago

Commit

c0653ca

verified ·

1 Parent(s): 21fe3ef

Update README: humble tone, remove competitive claims

Browse files

Files changed (1) hide show

README.md +31 -0

README.md CHANGED Viewed

@@ -28,6 +28,37 @@ AWAXIS-Think-28B를 기반으로 Darwin Platform 한국어 가중치를 Smart MR
 ---
 ## 📊 평가 결과
 ### 1) K-AI 리더보드 기준 (5과목)

 ---
+## 🧬 모델 설명 — 부모 모델 교배·진화 (Darwin 방식)
+본 모델은 두 부모 LLM의 가중치를 **layer 단위로 교배·결합**하는 **Darwin Platform 진화적 머지 기법** (Smart MRI Layer-wise)으로 제작됐습니다. 일반 SFT/CPT 학습이 아닌 **가중치 합성 진화** 방식이라는 점이 핵심입니다.
+| 구간 | 어머니 채택률 | 의도 |
+|------|:---:|------|
+| Embed / LM-head | 50% | 출력 통로 균형 |
+| Norm | 30% | 안정성 |
+| Visual encoder | 0% | 아버지 100% 보존 |
+| Layers 0~15 (초기) | 40% | 한국어 표면 패턴 흡수 |
+| Layers 16~50 (중기) | 0% | 추론 능력 보존 |
+| Layers 51~63 (후기) | 70% | 도메인 지식 채택 |
+각 부모의 강점이 어느 layer에 저장되는지 분석한 후 layer-wise로 부모 가중치 비율을 다르게 적용하여 두 모델의 강점만 선택적으로 결합하는 방식입니다.
+## 📚 데이터셋 활용
+본 모델은 **가중치 머지(Weight Merge) 산물**이므로 추가 SFT/CPT 학습은 수행하지 않았습니다. 대신 두 부모 모델이 사전에 학습한 광범위한 한국어 데이터셋의 강점을 layer 단위로 흡수합니다. 부모 모델들이 학습한 주요 한국어 데이터셋은 다음과 같습니다:
+- **일반 Instruction**: kai-sft / kai-combined 시리즈 (한국어 다양 도메인 instruction-following)
+- **KMMLU-Pro**: 한국 도메인 지식 (역사·법률·의료·과학·공학 등)
+- **CLIcK**: 한국 문화·상식 (역사·전통·사회 규범)
+- **HAERAE**: 한국어 표면 패턴 (언어학·일반상식·역사)
+- **KOBEST**: 한국어 reasoning (HellaSwag·COPA·BoolQ)
+- **Com2-main(ko)**: 한국어 commonsense (사회적 추론·의도 파악)
+- **MuSR(Ko)**: 한국어 다단계 추론 (Murder Mystery·Object Placements 등)
+가중치 머지 단계에서 각 부모의 학습 결과를 layer 비율로 보존·결합하여, 단일 SFT보다 catastrophic forgetting 위험이 낮고 부모 강점 손실이 적은 것이 특징입니다.
+---
 ## 📊 평가 결과
 ### 1) K-AI 리더보드 기준 (5과목)