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

Libraries

How to use intrect/VELA with Transformers:

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

pipe = pipeline("text-generation", model="intrect/VELA")
messages = [
    {"role": "user", "content": "Who are you?"},
]
pipe(messages)

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

tokenizer = AutoTokenizer.from_pretrained("intrect/VELA")
model = AutoModelForCausalLM.from_pretrained("intrect/VELA", device_map="auto")
messages = [
    {"role": "user", "content": "Who are you?"},
]
inputs = tokenizer.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=256)
print(tokenizer.decode(outputs[0][inputs["input_ids"].shape[-1]:]))

llama-cpp-python

How to use intrect/VELA with llama-cpp-python:

# !pip install llama-cpp-python

from llama_cpp import Llama

llm = Llama.from_pretrained(
	repo_id="intrect/VELA",
	filename="vela-dpo-v6-q4_k_m.gguf",
)

llm.create_chat_completion(
	messages = [
		{
			"role": "user",
			"content": "What is the capital of France?"
		}
	]
)

MLX

How to use intrect/VELA with MLX:

# Make sure mlx-lm is installed
# pip install --upgrade mlx-lm

# Generate text with mlx-lm
from mlx_lm import load, generate

model, tokenizer = load("intrect/VELA")

prompt = "Write a story about Einstein"
messages = [{"role": "user", "content": prompt}]
prompt = tokenizer.apply_chat_template(
    messages, add_generation_prompt=True
)

text = generate(model, tokenizer, prompt=prompt, verbose=True)

Notebooks
Google Colab
Kaggle
Local Apps Settings

llama.cpp

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

Install from WinGet (Windows)

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

Build from source code

git clone https://github.com/ggml-org/llama.cpp.git
cd llama.cpp
cmake -B build
cmake --build build -j --target llama-app
# Start a local OpenAI-compatible server with a web UI:
./build/bin/llama serve -hf intrect/VELA:Q4_K_M
# Run inference directly in the terminal:
./build/bin/llama cli -hf intrect/VELA:Q4_K_M

Use Docker

docker model run hf.co/intrect/VELA:Q4_K_M

Llama new
LM Studio
Jan

vLLM

How to use intrect/VELA with vLLM:

Install from pip and serve model

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

Use Docker

docker model run hf.co/intrect/VELA:Q4_K_M

SGLang

How to use intrect/VELA 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 "intrect/VELA" \
    --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": "intrect/VELA",
		"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 "intrect/VELA" \
        --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": "intrect/VELA",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Ollama
How to use intrect/VELA with Ollama:
```
ollama run hf.co/intrect/VELA:Q4_K_M
```
Unsloth Desktop

How to use intrect/VELA with Pi:

Start the MLX server

# Install MLX LM:
uv tool install mlx-lm
# Start a local OpenAI-compatible server:
mlx_lm.server --model "intrect/VELA"

Configure the model in Pi

# Install Pi:
npm install -g @earendil-works/pi-coding-agent
# Add to ~/.pi/agent/models.json:
{
  "providers": {
    "mlx-lm": {
      "baseUrl": "http://localhost:8080/v1",
      "api": "openai-completions",
      "apiKey": "none",
      "models": [
        {
          "id": "intrect/VELA"
        }
      ]
    }
  }
}

Run Pi

# Start Pi in your project directory:
pi

MLX LM

How to use intrect/VELA with MLX LM:

Generate or start a chat session

# Install MLX LM
uv tool install mlx-lm
# Interactive chat REPL
mlx_lm.chat --model "intrect/VELA"

Run an OpenAI-compatible server

# Install MLX LM
uv tool install mlx-lm
# Start the server
mlx_lm.server --model "intrect/VELA"
# Calling the OpenAI-compatible server with curl
curl -X POST "http://localhost:8000/v1/chat/completions" \
   -H "Content-Type: application/json" \
   --data '{
     "model": "intrect/VELA",
     "messages": [
       {"role": "user", "content": "Hello"}
     ]
   }'

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

Lemonade

How to use intrect/VELA with Lemonade:

Pull the model

# Download Lemonade from https://lemonade-server.ai/
lemonade pull intrect/VELA:Q4_K_M

Run and chat with the model

lemonade run user.VELA-Q4_K_M

List all available models

lemonade list

Hermes Agent

How to use intrect/VELA with Hermes Agent:

Start the MLX server

# Install MLX LM:
uv tool install mlx-lm
# Start a local OpenAI-compatible server:
mlx_lm.server --model "intrect/VELA"

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 intrect/VELA

Run Hermes

hermes

Atomic Chat

OpenClaw

How to use intrect/VELA with OpenClaw:

Start the MLX server

# Install MLX LM:
uv tool install mlx-lm
# Start a local OpenAI-compatible server:
mlx_lm.server --model "intrect/VELA"

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 "intrect/VELA" \
  --custom-provider-id mlx-lm \
  --custom-compatibility openai \
  --custom-text-input \
  --accept-risk \
  --skip-health

Run OpenClaw

openclaw agent --local --agent main --message "Hello from Hugging Face"

intrect commited on Feb 12

Commit

d35ad96

verified ·

1 Parent(s): ecb3e2c

docs: update training data distribution with accurate numbers (SFT 36,713 + DPO 24,779)

Browse files

Files changed (1) hide show

README.md +48 -19

README.md CHANGED Viewed

@@ -21,15 +21,17 @@ pipeline_tag: text-generation
 **한국 주식시장 전문 AI 애널리스트**
 VELA는 한국 주식시장 뉴스 분석 및 투자 리서치를 위해 특화된 7B 파라미터 언어 모델입니다.
 ## Model Details
 | 항목 | 내용 |
 |------|------|
 | **Base Model** | Qwen/Qwen2.5-7B-Instruct |
-| **Training** | SFT (930K) + DPO (7,681 pairs) |
 | **Parameters** | 7.6B |
 | **Context Length** | 8,192 tokens |
 | **License** | Apache 2.0 |
 ### Available Formats
@@ -45,22 +47,58 @@ VELA는 한국 주식시장 뉴스 분석 및 투자 리서치를 위해 특화
 ```
 Qwen2.5-7B-Instruct
         ↓
-   SFT (930K samples)
-   - 한국 주식 뉴스 분석 (412K)
-   - 리서치 리포트 생성 (50K)
-   - Reasoning Trace 학습 (5K)
         ↓
-   DPO (7,681 pairs)
-   - 중국어/영어 leak 교정
-   - 한국어 출력 강화
-   - 형식 준수 향상
         ↓
       VELA
 ```
 ## Capabilities
 - **뉴스 영향 분석**: 주식 관련 뉴스의 시장 영향도 예측
 - **리서치 리포트 생성**: 구조화된 투자 분석 보고서 (7개 섹션)
 - **Reasoning Trace**: 단계별 분석 사고과정 (JSON 형식)
 - **다중 소스 종합**: 뉴스, 시세, 수급 데이터 통합 분석
@@ -193,15 +231,6 @@ VELA는 두 가지 출력 모드를 지원합니다:
 ## 투자 의견
 ```
-## Training Data
-| 데이터셋 | 샘플 수 | 용도 |
-|----------|---------|------|
-| 한국 주식 뉴스 | 412K | SFT 기반 데이터 |
-| 리서치 리포트 | 50K | 분석 형식 학습 |
-| Reasoning Traces | 5K | 사고과정 학습 |
-| DPO Pairs | 7.7K | 선호도 정렬 |
 ## DPO Improvements
 - ✅ **중국어 leak 제거**: Stress test 10/10 CLEAN
@@ -232,7 +261,7 @@ VELA는 두 가지 출력 모드를 지원합니다:
 | 버전 | 날짜 | 변경사항 |
 |------|------|----------|
-| v1.1 | 2026-02-12 | GGUF 양자화 모델 추가 (Q4_K_M, Q8_0), 벤치마크 |
 | v1.0 | 2026-01-28 | DPO 병합, 중국어/영어 leak 해결 |
 | v0.9 | 2026-01-15 | SFT 베이스 모델 공개 |

 **한국 주식시장 전문 AI 애널리스트**
 VELA는 한국 주식시장 뉴스 분석 및 투자 리서치를 위해 특화된 7B 파라미터 언어 모델입니다.
+2,135개 종목에 대한 뉴스 영향 분석, 증권사 리포트 해석, Reasoning Trace 기반 구조화된 투자 분석을 수행합니다.
 ## Model Details
 | 항목 | 내용 |
 |------|------|
 | **Base Model** | Qwen/Qwen2.5-7B-Instruct |
+| **Training** | SFT (36,713) + DPO (24,779 pairs) |
 | **Parameters** | 7.6B |
 | **Context Length** | 8,192 tokens |
+| **Stock Coverage** | 2,135 종목 (KOSPI + KOSDAQ) |
 | **License** | Apache 2.0 |
 ### Available Formats
 ```
 Qwen2.5-7B-Instruct
         ↓
+   SFT (36,713 samples)
+   - 뉴스 분류 분석 10,830
+   - 극단 시그널 분석 9,603
+   - 증권사 리포트 5,117
+   - 뉴스 영향 분석 4,839
+   - Tool Calling 1,965
+   - 기타 (비교분석, 실적, 리스크, 수급, 섹터, 매크로) 4,359
         ↓
+   DPO (24,779 pairs)
+   - 중복 제거 기본 페어 12,000
+   - 다국어 leak 보강 5,997
+   - VELA ChatML 정렬 5,000
+   - 중국어 leak 교정 v2 1,216
+   - Reasoning Trace 정렬 566
         ↓
       VELA
 ```
+## Training Data Distribution
+### SFT (36,713 samples, 2,135 종목)
+| Source | Samples | Ratio | Description |
+|--------|---------|-------|-------------|
+| **classified_news** | 10,830 | 29.5% | GPT-4o 분류된 뉴스 → Reasoning Trace 생성 |
+| **extreme_signals** | 9,603 | 26.2% | 급등/급락 시그널 뉴스 분석 |
+| **securities_report_gpt4o** | 5,117 | 13.9% | 증권사 리포트 GPT-4o 재구성 (네이버 종목분석 + 미래에셋) |
+| **analysis_news** | 4,839 | 13.2% | 일반 뉴스 영향 분석 |
+| **tool_calling** | 1,965 | 5.4% | Search/Price/Investor 도구 호출 학습 |
+| **multi_stock_comparison** | 981 | 2.7% | 다중 종목 비교 분석 |
+| **earnings_impact** | 971 | 2.6% | 실적 발표 영향 분석 |
+| **risk_alert** | 948 | 2.6% | 리스크 경보 분석 |
+| **supply_demand** | 492 | 1.3% | 수급 동향 분석 |
+| **sector_theme** | 486 | 1.3% | 섹터/테마 분석 |
+| **macro_impact** | 481 | 1.3% | 매크로 지표 영향 분석 |
+> 평균 응답 길이: 2,337자 (Reasoning Trace JSON + 분석 리포트 포함)
+### DPO (24,779 pairs)
+| Source | Pairs | Ratio | Description |
+|--------|-------|-------|-------------|
+| **dpo_dedup** | 12,000 | 48.4% | 중복 제거된 기본 DPO 페어 |
+| **multilingual_aug** | 5,997 | 24.2% | 중국어/영어 leak 보강 (rejected에 leak 삽입) |
+| **vela_chatml** | 5,000 | 20.2% | VELA 시스템 프롬프트 정렬 |
+| **chinese_leak_v2** | 1,216 | 4.9% | 중국어 leak 집중 교정 |
+| **reasoning_trace_2k** | 566 | 2.3% | Reasoning Trace 형식 정렬 |
 ## Capabilities
 - **뉴스 영향 분석**: 주식 관련 뉴스의 시장 영향도 예측
+- **증권사 리포트 해석**: 애널리스트 리포트 기반 투자 분석
 - **리서치 리포트 생성**: 구조화된 투자 분석 보고서 (7개 섹션)
 - **Reasoning Trace**: 단계별 분석 사고과정 (JSON 형식)
 - **다중 소스 종합**: 뉴스, 시세, 수급 데이터 통합 분석
 ## 투자 의견
 ```
 ## DPO Improvements
 - ✅ **중국어 leak 제거**: Stress test 10/10 CLEAN
 | 버전 | 날짜 | 변경사항 |
 |------|------|----------|
+| v1.1 | 2026-02-12 | GGUF 양자화 모델 추가 (Q4_K_M, Q8_0), 벤치마크, 학습 데이터 분포 공개 |
 | v1.0 | 2026-01-28 | DPO 병합, 중국어/영어 leak 해결 |
 | v0.9 | 2026-01-15 | SFT 베이스 모델 공개 |