Instructions to use Frankenstein-Labs/cortex.6.sol with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use Frankenstein-Labs/cortex.6.sol with Transformers:

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

pipe = pipeline("text-generation", model="Frankenstein-Labs/cortex.6.sol")

# pip install -U transformers accelerate
# Load model directly
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("Frankenstein-Labs/cortex.6.sol")
model = AutoModelForCausalLM.from_pretrained("Frankenstein-Labs/cortex.6.sol", device_map="auto")

Notebooks
Google Colab
Kaggle
Local Apps Settings

vLLM

How to use Frankenstein-Labs/cortex.6.sol with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "Frankenstein-Labs/cortex.6.sol"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "Frankenstein-Labs/cortex.6.sol",
		"prompt": "Once upon a time,",
		"max_tokens": 512,
		"temperature": 0.5
	}'

Use Docker

docker model run hf.co/Frankenstein-Labs/cortex.6.sol

SGLang

How to use Frankenstein-Labs/cortex.6.sol 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 "Frankenstein-Labs/cortex.6.sol" \
    --host 0.0.0.0 \
    --port 30000
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:30000/v1/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "Frankenstein-Labs/cortex.6.sol",
		"prompt": "Once upon a time,",
		"max_tokens": 512,
		"temperature": 0.5
	}'

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 "Frankenstein-Labs/cortex.6.sol" \
        --host 0.0.0.0 \
        --port 30000
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:30000/v1/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "Frankenstein-Labs/cortex.6.sol",
		"prompt": "Once upon a time,",
		"max_tokens": 512,
		"temperature": 0.5
	}'

Docker Model Runner
How to use Frankenstein-Labs/cortex.6.sol with Docker Model Runner:
```
docker model run hf.co/Frankenstein-Labs/cortex.6.sol
```

cortex.6.sol / evaluation /README.md

openhands

feat(cortex): add CORTEX training pipeline and model audit

6fbe100 26 days ago

preview code

Raw History Blame Contribute Delete

1.53 kB

# CORTEX — evaluation

Évaluation des checkpoints CORTEX.

| Fichier | Rôle |
|---|---|
| `evaluate.py` | perte, perplexité et génération sur un jeu tenu à l'écart |

## Deux mesures

**Perte et perplexité.** Calculées sur les fenêtres de tokens d'un jeu d'évaluation. C'est
la mesure la plus fiable disponible ici : elle ne dépend d'aucun test d'exécution et
compare directement le modèle à lui-même au fil de l'entraînement.

**Génération.** Le modèle complète une invite et la sortie est comparée à la référence.
Cette mesure est faible et doit être lue comme telle : elle indique si le modèle se
dirige vers la bonne réponse, pas si le code est correct.

## Ce qui n'est pas encore mesuré

Aucune évaluation d'exécution (`pass@k`) n'est implémentée. Elle demanderait d'exécuter du
code généré dans un bac à sable, ce qui est un chantier à part entière et n'est pas
revendiqué ici.

## Exemple

```python
import json
from evaluation.evaluate import report
print(json.dumps(report("checkpoints/dev/final", limit=20), indent=2))
```

## Règle d'honnêteté

Un modèle de développement de ~175 M paramètres entraîné quelques centaines d'étapes
produit du code médiocre. Les rapports affichent les chiffres mesurés sans les arrondir
vers le haut, et `report()` inclut une réserve explicite dans le champ `caveat`.

`cortex-code-eval` (HumanEval) est réservé à l'évaluation : l'utiliser pour l'entraînement
invaliderait la mesure. Le registre le signale explicitement.

	# CORTEX — evaluation

	Évaluation des checkpoints CORTEX.

	\| Fichier \| Rôle \|
	\|---\|---\|
	\| `evaluate.py` \| perte, perplexité et génération sur un jeu tenu à l'écart \|

	## Deux mesures

	Perte et perplexité. Calculées sur les fenêtres de tokens d'un jeu d'évaluation. C'est
	la mesure la plus fiable disponible ici : elle ne dépend d'aucun test d'exécution et
	compare directement le modèle à lui-même au fil de l'entraînement.

	Génération. Le modèle complète une invite et la sortie est comparée à la référence.
	Cette mesure est faible et doit être lue comme telle : elle indique si le modèle se
	dirige vers la bonne réponse, pas si le code est correct.

	## Ce qui n'est pas encore mesuré

	Aucune évaluation d'exécution (`pass@k`) n'est implémentée. Elle demanderait d'exécuter du
	code généré dans un bac à sable, ce qui est un chantier à part entière et n'est pas
	revendiqué ici.

	## Exemple

	```python
	import json
	from evaluation.evaluate import report

	print(json.dumps(report("checkpoints/dev/final", limit=20), indent=2))
	```

	## Règle d'honnêteté

	Un modèle de développement de ~175 M paramètres entraîné quelques centaines d'étapes
	produit du code médiocre. Les rapports affichent les chiffres mesurés sans les arrondir
	vers le haut, et `report()` inclut une réserve explicite dans le champ `caveat`.

	`cortex-code-eval` (HumanEval) est réservé à l'évaluation : l'utiliser pour l'entraînement
	invaliderait la mesure. Le registre le signale explicitement.