Skip to content
Other

Fable-5-Thinking-Heretic-1B

компактная модель с «размышлениями» и вызовом функций

3 min read

Лёгкая языковая модель на 1.08 миллиарда параметров, созданная для локального запуска на ноутбуках, смартфонах и видеокартах с небольшим объёмом памяти. В её основе лежит архитектура Llama от OpenBMB (MiniCPM5-1B), дообученная автором GnLOLot на трассировках Fable 5 ради вызова внешних инструментов (tool calling) и написания кода, а затем очищенная от встроенных отказов с помощью утилиты Heretic. Репозиторий от WithinUsAI представляет собой зеркало оригинальной сборки от saidutta69 с полным набором квантизаций (сжатых версий весов) в формате GGUF. Модель пригодится разработчикам локальных ИИ-агентов и тем, кому нужна быстрая автономная нейросеть без жёсткой цензуры.

Ключевые особенности

  • Режим рассуждений: поддерживает переключатель enable_thinking, позволяя модели выстраивать цепочку мыслей (chain-of-thought) перед выдачей финального ответа или отвечать сразу.
  • Улучшенный вызов функций: дообучение V2 нацелено на работу с API и генерацию структурированных XML-вызовов инструментов по нативному шаблону MiniCPM5.
  • Снятие отказов (abliteration): направленное редактирование весов через Heretic v1.4.0 снизило долю отказов на тестовых промптах с 93/100 до 3/100 при минимальном отклонении от исходного поведения (KL divergence 0.0232).
  • Контекст 128K и двуязычность: окно контекста составляет 131 072 токена, модель поддерживает английский и китайский языки.
  • 15 вариантов GGUF: в репозитории собраны версии от сверхлёгкой Q2_K (0.49 ГБ) до полноразмерной F16 (2.17 ГБ), а также исходные веса safetensors.

Что можно сделать

  • Собрать локального ИИ-агента: подключить модель через бэкенд SGLang со встроенным парсером minicpm5 для преобразования XML-вызовов в стандартные tool_calls, совместимые с OpenAI API.
  • Запустить на слабом железе: использовать квантизации IQ4_XS (0.64 ГБ) или Q4_K_M (0.69 ГБ) на ноутбуках, видеокартах с 6–8 ГБ видеопамяти, Apple Silicon или в оперативной памяти CPU.
  • Решать задачи с прозрачной логикой: применять режим Think для пошагового разбора кода и сложных инструкций, скрывая блок рассуждений от конечного пользователя на уровне приложения.

Пример

Для запуска в агентских сценариях рекомендуется использовать SGLang со встроенным парсером minicpm5, который переводит нативные XML-вызовы функций модели в формат OpenAI tool_calls. В стандартном чат-шаблоне режим рассуждений управляется параметром enable_thinking, а размер файла выбирается под объём памяти (например, Q4_K_M на 0.69 ГБ + около 1 ГБ под контекст).

ПодробнееБенчмарки дообучения V2 против базовой MiniCPM5-1B: API-Bank вырос с 7.30% до 22.10% (+14.80), BFCL live — с 60.24% до 63.33% (+3.09), BFCL non_live — с 41.51% до 43.06%.
Требования к железу: для Q8_0 (1.15 ГБ) рекомендовано 24 ГБ VRAM, для Q6_K — 16 ГБ, для Q5_K_M — 12 ГБ, для Q4_K_M — 8 ГБ или Apple Silicon/CPU, для IQ4_XS — от 6 ГБ (плюс ~1 ГБ под контекст).
Ограничения: это зеркало сборки saidutta69 без изменений; на многошаговых агентских тестах Tau-Bench прирост минимален (0.36 против 0.34 на Airline), а состав датасета дообучения V2 не раскрыт.
Лицензия: Apache 2.0.
Discuss Telegram 0

Will it run?

Working out the memory needs

The bot is still collecting this model's weight sizes; the estimate will appear here in a few minutes. Meanwhile you can rent a GPU with headroom.

Massed ComputeOpen Massed Compute

Run it on Massed Compute

The script downloads the model to the rented machine. How to run it is in the model card.

  1. 1. Rent a machine with a fitting GPU

    Open Massed Compute
  2. 2. Paste the script into the machine's terminal

    Connect over SSH (the Massed Compute panel shows the command) or open a terminal on the machine's desktop.

    HF_TOKEN / CIVITAI_TOKENThe script starts with token lines: paste yours between the quotes. The Hugging Face token is for gated models, the Civitai one for Civitai models.

    # ITLL/Fable-5-Thinking-Heretic-1B
    # ===== Tokens: paste yours between the quotes =====
    export HF_TOKEN=""        # huggingface.co/settings/tokens, for gated models
    # ==========================================
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download ITLL/Fable-5-Thinking-Heretic-1B --local-dir ~/models/Fable-5-Thinking-Heretic-1B
    # The model is in ~/models. How to run it is in the model card (link above).
  3. 3. Use it

    The model is in ~/models. How to run it is in the model card (link above).

Stop the machine in the panel when you are done: it bills by the minute while it runs.

How to speed it up

Picked for this model type. Choose your hardware above to see what fits you exactly.

  • FlashAttention 44.0.0b40from November 18, 2026new release

    fastest exact attention on B200

    Kernels for Blackwell (beta). Exact attention without quantisation — fine for everything, LLMs included.

    How to enable: pip install flash-attn-4; vLLM and SGLang pick it up themselves.

    Earlier generations (2)
    • FlashAttention 3 — The Hopper (H100/H200) version with FP8.
    • FlashAttention 2 — The standard for RTX 30/40/50 and A100: exact attention without the memory cost of long contexts.
  • torch.compile2.15.0from October 28, 2026new release

    10–30% for free

    Compiles the model for your GPU. Slower first run, faster afterwards.

    How to enable: model = torch.compile(model); in ComfyUI the TorchCompileModel node.

Model family

New posts about versions of Fable-5-Thinking-Heretic-1B (quants, finetunes, LoRAs) will show up under the bell.

No known relatives of this model yet. All derivatives on Hugging Face

About the model

ITLL/Fable-5-Thinking-Heretic-1B
Author
ITLL
Category
Other
Released
Posted

On NeyroLearn

Hugging Face

00

Ask AI about this model

Answered by Gemini 4 · the chat is kept only in this tab

Comments

Language models

Fable

Fable