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 / model /README.md

openhands

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

6fbe100 23 days ago

preview code

Raw History Blame Contribute Delete

2.66 kB

CORTEX — model

Définition du modèle CORTEX entraînable et gestion des checkpoints.

Fichier	Rôle
`cortex_model.py`	Architecture : décodeur Transformer, RMSNorm, RoPE, GQA, SwiGLU
`init.py`	Initialisation des poids, écriture et lecture des checkpoints

Architecture

CortexConfig porte tous les hyper-paramètres. parameter_breakdown() calcule le nombre de paramètres de façon analytique, et count_parameters() le recompte sur le modèle réel : les deux doivent être égaux, ce que vérifie un test.

Le modèle est un décodeur causal standard :

tokens -> embed_tokens -> [N x (RMSNorm -> GQA+RoPE -> résidu -> RMSNorm -> SwiGLU -> résidu)]
       -> RMSNorm -> lm_head -> logits

Points d'implémentation à connaître :

Perte par blocs. Le vocabulaire CORTEX compte 129 280 entrées. Un tenseur de logits complet en float32 pour un lot de 2×512 tokens pèserait ~0,5 Go. La perte est donc calculée par tranches (CortexForCausalLM._loss), ce qui évite une pointe mémoire qui faisait redémarrer l'environnement de développement.
Poids liés. Avec tie_word_embeddings: true, lm_head.weight est embed_tokens.weight. count_parameters déduplique par identité pour ne pas compter deux fois la même matrice.
Masque. En l'absence de attention_mask, le masque causal est délégué à scaled_dot_product_attention. Un masque de padding est combiné au masque causal.

Checkpoints

Un checkpoint CORTEX est un dossier auto-descriptif :

<checkpoint>/
    config.json         hyper-paramètres du modèle
    weights.safetensors
    provenance.json     comment les poids ont été produits
    optimizer.pt        si un optimiseur est fourni
    manifest.json       tailles et SHA-256 de chaque fichier

load_cortex_checkpoint() vérifie le manifeste (taille et SHA-256) avant de charger les poids : un fichier corrompu est refusé, pas silencieusement accepté.

provenance.json contient toujours base_model: null pour les poids initialisés ici, avec une note explicite. Ce champ ne doit être renseigné que si les poids dérivent réellement d'un autre modèle.

Exemple

from model.cortex_model import CortexConfig
from model.init import init_cortex_model, save_cortex_checkpoint, load_cortex_checkpoint

config = CortexConfig(model_name="cortex-dev-1")
model = init_cortex_model(config, seed=1337)
save_cortex_checkpoint(model, config, "checkpoints/demo", step=0)

model, config, provenance = load_cortex_checkpoint("checkpoints/demo")
print(provenance["developer"], provenance["base_model"])