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 / tokenizer /README.md

openhands

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

6fbe100 26 days ago

preview code

Raw History Blame Contribute Delete

1.87 kB

CORTEX — tokenizer

Le tokenizer CORTEX est réutilisé tel quel depuis le dépôt distribué (Frankenstein-Labs/Cortex-ai), sous licence MIT. Il n'est ni reconstruit, ni modifié.

Fichier	Rôle
`../tokenizer.json`	tokenizer distribué, à la racine du dépôt (BPE, 129 280 identifiants)
`cortex_tokenizer.py`	chargement et validation

Chiffres mesurés

Propriété	Valeur
Classe	`PreTrainedTokenizerFast`
Modèle	BPE
Vocabulaire de base	128 000
Fusions	127 741
Tokens ajoutés	1 283
Identifiants uniques	129 280
Identifiants en doublon	3 (ids 0, 1, 2)

Le piège du décompte

128 000 + 1 283 = 129 283, mais config.json déclare vocab_size: 129280 et les embeddings ont 129 280 lignes.

Ce n'est pas une incohérence : les identifiants 0, 1 et 2 (bos, eos, pad) apparaissent à la fois comme tokens spéciaux ajoutés et comme entrées du vocabulaire BPE. Le nombre d'identifiants uniques est bien 129 280.

C'est pourquoi assert_vocab_matches_config() compare les identifiants uniques et jamais les compteurs bruts. Toute réutilisation de ce tokenizer doit faire de même.

Exemple

from tokenizer.cortex_tokenizer import load_tokenizer, assert_vocab_matches_config

tokenizer = load_tokenizer()
assert_vocab_matches_config(tokenizer, 129280)
print(tokenizer.decode(tokenizer.encode("def add(a, b):\n    return a + b\n").ids))

Si le fichier est absent

tokenizer.json est versionné à la racine du dépôt, et le pipeline le charge depuis là : une seule copie existe, donc aucune divergence n'est possible entre le tokenizer du pipeline et celui du checkpoint distribué. S'il manque, le récupérer depuis la source :

hf download Frankenstein-Labs/Cortex-ai tokenizer.json --local-dir .