/ Модель

Характеристики

Контекст
262 144 токена
Параметры
7,2 млрд
Размер весов
17,9 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_5_text · dense
Базовая модель
NeoHorse-1-9B
Библиотека
mlx
Опубликована
14 сен 2026

NeoHorse-1-9B-chat-mlx-16bit

Генерация текстаТекст → текст9 профессий

16-битная конверсия NeoHorse-1-9B для локального диалога, генерации кода и агентных задач на Apple Silicon через MLX.

421скачиваний за 30 дней0лайковвеса обновлены14 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

SirSahOl подготовил 16-битную конверсию диалоговой модели TokenRhythm/NeoHorse-1-9B для локального запуска на Apple Silicon через MLX. Это плотная авторегрессионная модель семейства Qwen3.5 с 7,2 млрд параметров по метаданным и контекстом до 262 144 токенов; README указывает 9 млрд параметров. Репозиторий содержит веса safetensors в формате MLX и распространяется по лицензии Apache-2.0.

Модель предназначена для многоходового чата, генерации текста и кода, следования инструкциям, рассуждений и работы с инструментами в агентных сценариях. Конверсия сохраняет bf16-точность исходных весов и рассчитана на GPU Apple Silicon; README оценивает занимаемую память примерно в 20 ГБ и рекомендует не менее 32 ГБ объединённой памяти.

Для длинных контекстов требуется достаточный запас объединённой памяти, а фактическая скорость зависит от устройства и длины контекста. В карточке нет подтверждённых сведений о поддерживаемых естественных языках; характеристики задач и качества унаследованы от базовой модели.

Сценарии применения

  • локальный многоходовый чат на Mac с Apple Silicon
  • генерация и дополнение программного кода
  • выполнение инструкций и рассуждения в текстовом ассистенте
  • вызов инструментов в агентных сценариях
  • генерация текста с длинным контекстом

Ограничения

Для работы на Apple Silicon требуется значительный объём объединённой памяти; длинный контекст увеличивает требования к памяти, а скорость зависит от оборудования и длины контекста. README расходится с метаданными в оценке числа параметров: 9,0 млрд против 7,2 млрд.

Для каких профессий подходит9

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

NeoHorse-1-9B-mlx-16bit

16-bit MLX conversion of TokenRhythm/NeoHorse-1-9B optimized for Apple Silicon native GPU inference.

Converted by: SirSahOl
Source Model: TokenRhythm/NeoHorse-1-9B
Framework: MLX by Apple
Quantization: 16-bit (Average 16.00 (unquantized bfloat16) bits per weight)
Format: safetensors
License: apache-2.0


Model Details

  • Architecture: Qwen3_5ForCausalLM
  • Parameters: 9.0B
  • Context Length: 262,144 tokens
  • Format: MLX (Apple Silicon native GPU format)
  • Quantization: 16-bit (Average 16.00 (unquantized bfloat16) bits per weight)
  • Active VRAM Footprint: ~20.5 GB (Minimum recommended: 32 GB Unified Memory)

Quick Start

Installation

pip install mlx-lm

CLI Usage

# Chat interactively
mlx_lm.chat --model SirSahOl/NeoHorse-1-9B-chat-mlx-16bit

# Generate text
mlx_lm.generate --model SirSahOl/NeoHorse-1-9B-chat-mlx-16bit --prompt "Write a short poem about artificial intelligence."

Python API (with Chat Template)

from mlx_lm import load, generate

model, tokenizer = load("SirSahOl/NeoHorse-1-9B-chat-mlx-16bit")

messages = [
    {"role": "user", "content": "Explain quantum superposition in simple terms."}
]
prompt = tokenizer.apply_chat_template(
    messages, tokenize=False, add_generation_prompt=True
)

response = generate(model, tokenizer, prompt=prompt, verbose=True)
print(response)

Performance Benchmarks

Apple Silicon Hardware Sizing Matrix

Estimated decoding throughput, time-to-first-token (TTFT), and active unified memory footprint across Apple Silicon tiers:

Apple Silicon TierUnified MemoryActive VRAMEstimated SpeedEst. TTFTRecommended Use Case
M1 / M2 / M3 / M4 (Base)24 GB+ Unified Memory~20.6 GB~12 tokens/sec~283 msEveryday interactive assistant & fast local completions
M1 / M2 / M3 / M4 Pro36 GB – 48 GB~20.6 GB~18 tokens/sec~192 msBalanced daily driver for coding, tool invocation, and multi-turn chat
M1 / M2 / M3 / M4 Max36 GB – 128 GB~20.6 GB~26 tokens/sec~119 msHigh-throughput generation, low latency, agent orchestration
M1 / M2 / M3 Ultra64 GB – 192 GB~20.6 GB~38 tokens/sec~79 msPeak concurrency, batch document extraction, production serving

Estimates based on Apple Silicon unified memory bandwidth and active parameter footprint. Real-world speeds may vary with context length.


Multi-Quantization Comparison

Evaluate your hardware budget and choose the optimal precision:

VariantDisk SizeVRAM FootprintTarget Apple Silicon HardwareKey Advantage
4-bit MLX~5.3 GB~5.3 GBM1 / M2 / M3 / M4 (8GB+)Maximum generation speed and lowest RAM overhead.
8-bit MLX~9.9 GB~9.9 GBM1 / M2 / M3 / M4 Pro/Max (16GB+)Balanced accuracy and generation speed; near-lossless reasoning.
16-bit MLX (This Repository)~18.8 GB~18.8 GBM2 / M3 / M4 Max/Ultra (32GB+)Full unquantized precision; reference evaluation quality.

Who Should Use This?

Your HardwareRecommended Quantization
M1/M2/M3/M4 (8GB – 16GB)4-bit — Best balance of speed, low memory, and multitasking capability
M1/M2/M3/M4 Pro/Max (18GB – 36GB)8-bit — Higher quality reasoning with comfortable memory headroom
M1/M2/M3/M4 Max/Ultra (36GB – 192GB)16-bit — Unquantized full precision, zero quality degradation

General guidance:

  • Use 4-bit if you want to run this model alongside IDEs, browsers, and background development tools.
  • Use 8-bit if you have 16GB+ unified memory and require superior reasoning and code accuracy.
  • Use 16-bit for research, benchmarking, evaluation, or high-end workstation deployments.

Other Quantization Variants

VariantLink
4-bitSirSahOl/NeoHorse-1-9B-chat-mlx-4bit
8-bitSirSahOl/NeoHorse-1-9B-chat-mlx-8bit
16-bitSirSahOl/NeoHorse-1-9B-chat-mlx-16bit

LM Studio & Local Inference Setup Guide

To prevent runaway loops and ensure correct conversational turn-taking, configure custom stop strings in your local inference runtime.

Custom Stop Strings Configuration

Ensure the following sequence tokens are configured as strict stop boundaries:

  1. <|im_start|>
  2. <|im_end|>
  3. <|endoftext|>

Option A: Automatic Preset (Recommended for LM Studio)

Create a custom prompt preset JSON file named ChatML.json in your LM Studio config directory:

  • macOS / Linux: ~/.lmstudio/config-presets/ChatML.json
  • Windows: %USERPROFILE%\.lmstudio\config-presets\ChatML.json
{
  "name": "ChatML",
  "inference_params": {
    "pre_prompt": "You are a helpful, respectful, and honest assistant.",
    "input_prefix": "<|im_start|>user\n",
    "input_suffix": "<|im_end|>\n",
    "pre_prompt_prefix": "<|im_start|>system\n",
    "pre_prompt_suffix": "<|im_end|>\n",
    "antiprompt": [
      "<|im_start|>",
      "<|im_end|>",
      "<|endoftext|>"
    ],
    "stopStrings": [
      "<|im_start|>",
      "<|im_end|>",
      "<|endoftext|>"
    ],
    "temperature": 0.7,
    "max_tokens": 2048
  }
}

Restart LM Studio, load SirSahOl/NeoHorse-1-9B-chat-mlx-16bit, and select "ChatML" from the Prompt Template dropdown.

Option B: Manual LM Studio Configuration

  1. Load SirSahOl/NeoHorse-1-9B-chat-mlx-16bit in LM Studio.
  2. In the right-hand Advanced Configuration / Inference Parameters panel:
    • Stop Strings (antiprompt / stopStrings): Add <|im_start|>, <|im_end|>, <|endoftext|>
    • System Prefix: <|im_start|>system\n
    • System Suffix: <|im_end|>\n
    • User Prefix: <|im_start|>user\n
    • Assistant Suffix: <|im_end|>\n<|im_start|>assistant\n

Option C: Ollama Modelfile Setup

Create a Modelfile to run this model in Ollama:

FROM SirSahOl/NeoHorse-1-9B-chat-mlx-16bit

PARAMETER stop "<|im_start|>"
PARAMETER stop "<|im_end|>"
PARAMETER stop "<|endoftext|>"
PARAMETER temperature 0.7

TEMPLATE """{{ if .System }}<|im_start|>system
{{ .System }}<|im_end|>
{{ end }}{{ if .Prompt }}<|im_start|>user
{{ .Prompt }}<|im_end|>
{{ end }}<|im_start|>assistant
"""

Create and run with Ollama:

ollama create neohorse-1-9b-chat-mlx-16bit -f Modelfile
ollama run neohorse-1-9b-chat-mlx-16bit

Conversion Details

PropertyValue
Source ModelTokenRhythm/NeoHorse-1-9B
Quantization16-bit
mlx-lm Version0.31.3
Conversion Time193.6s
Output Size16.7 GB
Date2026-09-14T23:37:40.810144+00:00

Reproduction

To reproduce this conversion:

pip install mlx-lm==0.31.3
python3 -m mlx_lm.convert --hf-path /root/.cache/huggingface/hub/models--TokenRhythm--NeoHorse-1-9B/snapshots/ba5b6e40d88a6ddf4591e176738254a3bc715765 --mlx-path output/NeoHorse-1-9B-mlx-16bit

Limitations & Known Issues

  • 4-bit group-wise quantization introduces minor precision loss compared to unquantized weights; for deep mathematical derivations or precision-critical reasoning, test the 8-bit or 16-bit variants.
  • High context sequences (>32K tokens) require sufficient unified memory headroom; ensure unified memory is not overcommitted.
  • This is a weight-only MLX conversion designed specifically for Apple Silicon GPUs (M1/M2/M3/M4 series).

License

This model conversion inherits the license of the source model: apache-2.0.

See the original model card for full license details.


Changelog

VersionDateChanges
v1.02026-09-14Initial conversion

Converted with MLX Foundry — a professional pipeline for converting models to Apple MLX format.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · mlx

Нельзя запустить

MLX-модели работают только на Apple Silicon.

Класс архитектуры
Qwen3_5ForCausalLM
Ревизия весов
0b2736b

0 моделей