Instructions to use void0x14/echo with libraries, inference providers, notebooks, and local apps. Follow these links to get started.
- Notebooks
- Google Colab
- Kaggle
- Local Apps Settings
- llama.cpp
How to use void0x14/echo 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 void0x14/echo:Q4_K_M # Run inference directly in the terminal: llama cli -hf void0x14/echo:Q4_K_M
Install from WinGet (Windows)
winget install llama.cpp # Start a local OpenAI-compatible server with a web UI: llama serve -hf void0x14/echo:Q4_K_M # Run inference directly in the terminal: llama cli -hf void0x14/echo:Q4_K_M
Use pre-built binary
# Download pre-built binary from: # https://github.com/ggerganov/llama.cpp/releases # Start a local OpenAI-compatible server with a web UI: ./llama-server -hf void0x14/echo:Q4_K_M # Run inference directly in the terminal: ./llama-cli -hf void0x14/echo:Q4_K_M
Build from source code
git clone https://github.com/ggerganov/llama.cpp.git cd llama.cpp cmake -B build cmake --build build -j --target llama-server llama-cli # Start a local OpenAI-compatible server with a web UI: ./build/bin/llama-server -hf void0x14/echo:Q4_K_M # Run inference directly in the terminal: ./build/bin/llama-cli -hf void0x14/echo:Q4_K_M
Use Docker
docker model run hf.co/void0x14/echo:Q4_K_M
- LM Studio
- Jan
- Ollama
How to use void0x14/echo with Ollama:
ollama run hf.co/void0x14/echo:Q4_K_M
- Unsloth Desktop
- Pi
How to use void0x14/echo with Pi:
Start the llama.cpp server
# Install llama.cpp: brew install llama.cpp # Start a local OpenAI-compatible server: llama serve -hf void0x14/echo:Q4_K_M
Configure the model in Pi
# Install Pi: npm install -g @earendil-works/pi-coding-agent # Add to ~/.pi/agent/models.json: { "providers": { "llama-cpp": { "baseUrl": "http://localhost:8080/v1", "api": "openai-completions", "apiKey": "none", "models": [ { "id": "void0x14/echo:Q4_K_M" } ] } } }Run Pi
# Start Pi in your project directory: pi
- Docker Model Runner
How to use void0x14/echo with Docker Model Runner:
docker model run hf.co/void0x14/echo:Q4_K_M
- Lemonade
How to use void0x14/echo with Lemonade:
Pull the model
# Download Lemonade from https://lemonade-server.ai/ lemonade pull void0x14/echo:Q4_K_M
Run and chat with the model
lemonade run user.echo-Q4_K_M
List all available models
lemonade list
- Hermes Agent
How to use void0x14/echo with Hermes Agent:
Start the llama.cpp server
# Install llama.cpp: brew install llama.cpp # Start a local OpenAI-compatible server: llama serve -hf void0x14/echo:Q4_K_M
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 void0x14/echo:Q4_K_M
Run Hermes
hermes
- Atomic Chat
- OpenClaw
How to use void0x14/echo with OpenClaw:
Start the llama.cpp server
# Install llama.cpp: brew install llama.cpp # Start a local OpenAI-compatible server: llama serve -hf void0x14/echo:Q4_K_M
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 "void0x14/echo:Q4_K_M" \ --custom-provider-id llama-cpp \ --custom-compatibility openai \ --custom-text-input \ --accept-risk \ --skip-health
Run OpenClaw
openclaw agent --local --agent main --message "Hello from Hugging Face"
File size: 3,518 Bytes
598b018 | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 | # BU MODEL NE, ÇOCUKLAR İÇİN ANLATIM
Merhaba! Sana bilgisayardaki modelimizi anlatıyorum. Sorularını düşünüp cevap yazan bu programa **yapay zekâ** denir. İçindeki "beyin"e de **model** deriz.
---
## 1. Model nedir?
Model, bir **dev ödev defteri** gibi. İçinde binlerce sayfa hesap var. Bu hesaplar ona "kelimeler nasıl yan yana gelir" diye öğretiyor.
- Bize bir soru sorulduğunda model, defterindeki hesaplarla en uygun kelimeyi seçer.
- Her seçtiği kelime, bir sonraki kelimeyi seçmesine yardım eder. Böylece cevap cümleleri oluşur.
- Bu modele "Qwen3.5" denen, Çin'de kurulmuş bir ailenin çocuğu diyebiliriz. Biz onu alıp **sadeleştirdik** (küçülttük), çünkü senin bilgisayarın eski ama yine de hızlı çalışsın istedik.
## 2. Parametre ne demek?
Parametre, modelin defterindeki **küçük ayar düğmesi** gibidir. Milyonlarca düğme var:
- Her düğmede "şu kelime gelirse, bunu birazcık daha fazla bekle" gibi küçük bir bilgi saklanır.
- Düğme sayısı ne kadar çoksa model o kadar "akıllı" olur ama o kadar yavaş çalışır.
- Bizim modelde **337 milyon düğme** var. Bu, 337.000.000 demek! Çok büyük bir sayı ama bu model için normal.
## 3. Görsel (vision) nedir? Neden önemli?
"Vision" İngilizce **görme** demek.
- Bazı modeller sadece yazı okur (buna "sadece yazı" deriz). Tıpkı gözü kapalı birinin kitap dinlemesi gibi.
- Ama bizim model **gözleri olan** bir model! Ona bir resim gösterip "Bu resimde ne var?" diye sorabilirsin.
- Model resmi küçük kutucuklara böler (tıpkı legolar gibi), her kutucuğa bakar, sonra hepsini birleştirip cevap verir.
- Önceki hâlimizde gözler kaybolmuştu; biz onları **geri taktık**. Test ettik ve gözleri çalışıyor!
## 4. Dosyalar ne işe yarıyor?
Model, bilgisayarında bir klasörün içinde duruyor:
| Dosya | Ne işe yarar? |
|-------|---------------|
| `model.safetensors` | Modelin beyni. Bütün düğmeler burada. (En büyük dosya) |
| `config.json` | Beynin kullanım kılavuzu: kaç katman var, kaç göz var. |
| `tokenizer.json` | Kelimeleri sayılara çeviren sözlük. Model sadece sayılarla düşünür. |
| `preprocessor_config.json` | Resmi modelin anlayacağı şekle hazırlayan tarif. |
Dosyalar bir arada olmazsa model çalışmaz — tıpkı oyun hamurunun kutusu, hamuru ve kalıbı gibi, hepsi lazım.
## 5. Bilgisayarıma sığar mı?
Modelin beyni **2.5 gigabyte** yer kaplıyor (bir film gibi). Ama endişelenme — çalışırken hepsini aynı anda kullanmıyoruz:
- Kullandığımız sıkıştırılmış hâli **~700MB** civarında.
- Senin bilgisayarında 15 gigabyte hafıza var, yani rahatça sığar.
- Bilgisayarın eski ama bu model onun için özel olarak küçültüldü, o yüzden yine de cevap verebilir.
## 6. Modelimiz ne kadar güçlü?
Ölçtük (tahmin değil, gerçek deneme):
- Bir soruya cevap üretirken saniyede **~200 kelime** üretebiliyor.
- Sıkıştırılmış hâli hem hızlı hem de küçük.
- Gözleri olan hâli biraz daha yavaş çalışır çünkü resme de bakıyor — ama olsun, görmek güzel!
## 7. Nasıl çalıştırırız?
1. Bilgisayarı aç
2. Modeli yükle (birkaç dakika sürer, beyni okur)
3. Ona ya bir soru yaz ya bir resim göster
4. Cevabı bekle — cevap kelime kelime oluşur
---
**Özet:** Elimizde gözleri olan, Türkçe bilen, küçük ve hızlı bir model var. Resimlere bakabiliyor, sorulara cevap veriyor ve senin bilgisayarına sığıyor. Hepsi bu kadar! |