Instructions to use YunusTAS13/ATLAS-AI with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use YunusTAS13/ATLAS-AI with Transformers:

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

pipe = pipeline("text-generation", model="YunusTAS13/ATLAS-AI")
messages = [
    {"role": "user", "content": "Who are you?"},
]
pipe(messages)

# Load model directly
from transformers import AutoModel
model = AutoModel.from_pretrained("YunusTAS13/ATLAS-AI", device_map="auto")

Notebooks
Google Colab
Kaggle
Local Apps Settings

llama.cpp

How to use YunusTAS13/ATLAS-AI 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 YunusTAS13/ATLAS-AI
# Run inference directly in the terminal:
llama cli -hf YunusTAS13/ATLAS-AI

Install from WinGet (Windows)

winget install llama.cpp
# Start a local OpenAI-compatible server with a web UI:
llama serve -hf YunusTAS13/ATLAS-AI
# Run inference directly in the terminal:
llama cli -hf YunusTAS13/ATLAS-AI

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 YunusTAS13/ATLAS-AI
# Run inference directly in the terminal:
./llama-cli -hf YunusTAS13/ATLAS-AI

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 YunusTAS13/ATLAS-AI
# Run inference directly in the terminal:
./build/bin/llama-cli -hf YunusTAS13/ATLAS-AI

Use Docker

docker model run hf.co/YunusTAS13/ATLAS-AI

LM Studio
Jan

vLLM

How to use YunusTAS13/ATLAS-AI with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "YunusTAS13/ATLAS-AI"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "YunusTAS13/ATLAS-AI",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker

docker model run hf.co/YunusTAS13/ATLAS-AI

SGLang

How to use YunusTAS13/ATLAS-AI 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 "YunusTAS13/ATLAS-AI" \
    --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": "YunusTAS13/ATLAS-AI",
		"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 "YunusTAS13/ATLAS-AI" \
        --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": "YunusTAS13/ATLAS-AI",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Ollama
How to use YunusTAS13/ATLAS-AI with Ollama:
```
ollama run hf.co/YunusTAS13/ATLAS-AI
```
Unsloth Desktop

How to use YunusTAS13/ATLAS-AI with Pi:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf YunusTAS13/ATLAS-AI

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": "YunusTAS13/ATLAS-AI"
        }
      ]
    }
  }
}

Run Pi

# Start Pi in your project directory:
pi

Docker Model Runner
How to use YunusTAS13/ATLAS-AI with Docker Model Runner:
```
docker model run hf.co/YunusTAS13/ATLAS-AI
```

Lemonade

How to use YunusTAS13/ATLAS-AI with Lemonade:

Pull the model

# Download Lemonade from https://lemonade-server.ai/
lemonade pull YunusTAS13/ATLAS-AI

Run and chat with the model

lemonade run user.ATLAS-AI-{{QUANT_TAG}}

List all available models

lemonade list

Hermes Agent

How to use YunusTAS13/ATLAS-AI with Hermes Agent:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf YunusTAS13/ATLAS-AI

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 YunusTAS13/ATLAS-AI

Run Hermes

hermes

Atomic Chat

OpenClaw

How to use YunusTAS13/ATLAS-AI with OpenClaw:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf YunusTAS13/ATLAS-AI

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 "YunusTAS13/ATLAS-AI" \
  --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"

ATLAS AI

Turkish-Focused AI Model with Tool Calling and Secure Sandbox Agent

Based on Qwen3-8B · Trained with QLoRA · GGUF Q4_K_M · GPL-3.0

ATLAS is an artificial intelligence project developed entirely from scratch by YunusTAS13. It is focused on Turkish, has its own identity, and can control your computer as an agent within a secure sandbox environment.

English

Features

Feature	Description
Turkish Expertise	Focused on Turkish conversation, knowledge and writing
Own Identity	Introduces itself as "ATLAS" with a distinct personality
Safe Behavior	Refuses harmful requests, produces safe responses
Tool Calling	File listing/reading/writing, directory management, safe terminal commands
Sandbox Security	Can only operate within `~/atlas-workspace`, no access to system files
Audit Log	All actions are recorded in the `audit.log` file
Agent Host	A full agent application capable of controlling your computer

Quick Start

The model installation and usage is identical on every operating system (Linux, macOS, Windows). You only need to install Ollama first, then everything else is the same commands everywhere.

1. Install Ollama

Linux (x86-64):

curl -fsSL https://ollama.com/install.sh | sh

macOS:

Download the macOS installer from ollama.com/download or use Homebrew:

brew install ollama

Windows:

Download and run the installer from ollama.com/download (Windows 10/11) or use winget:

winget install Ollama.Ollama

2. Download the Model

The GGUF file is the same for every platform. Download it using the command available on your system:

# Linux / macOS
wget https://huggingface.co/YunusTAS13/ATLAS-AI/resolve/main/atlas-q4km.gguf

# Windows (PowerShell)
curl -o atlas-q4km.gguf https://huggingface.co/YunusTAS13/ATLAS-AI/resolve/main/atlas-q4km.gguf

You can also download it manually from the browser: https://huggingface.co/YunusTAS13/ATLAS-AI/resolve/main/atlas-q4km.gguf

3. Create and Run the Model

These commands are exactly the same on every operating system:

# Add to Ollama with the Modelfile
ollama create atlas -f Modelfile

# Chat
ollama run atlas "Hello, introduce yourself"

4. Use the Agent Host (Linux / macOS)

# One-shot request
python3 atlas_agent.py "list the files in the workspace"

# Interactive chat mode
python3 atlas_agent.py -i

# Without command confirmation (use carefully)
python3 atlas_agent.py "read the file notlar.txt" --no-confirm

Windows note: The agent host is currently Linux/macOS only. On Windows, the model works fully through Ollama (steps 1-3 above); the agent host adaptation is planned.

Platform Support

The model installation and usage is identical across Linux, macOS, and Windows — steps 1-3 above are the same commands on every platform. The only difference is the download command (wget vs. curl) and the way you install Ollama.

The agent host (atlas_agent.py) is currently built for Linux and macOS. A Windows adaptation is planned and will be released as an update. Until then, Windows users can fully use the model through Ollama, and use the agent host via WSL (Windows Subsystem for Linux) if desired.

System Requirements

	Minimum	Recommended
CPU	Any modern x86-64 (AVX2)	8+ core modern CPU
RAM	8 GB	16 GB
GPU	None required (CPU inference works)	NVIDIA GPU with 6+ GB VRAM
Storage	5 GB free space	SSD with 10 GB free space
Software	Python 3.9+, Ollama	Python 3.11+, latest Ollama
OS	Linux, macOS, or Windows	Linux or Windows 11

Without a GPU, ATLAS runs on CPU — slower but fully functional. With a GPU, responses are significantly faster.

Security Sandbox

ATLAS operates within a strict security sandbox when controlling your computer:

Restrictions:

System paths are forbidden: /etc, /usr, /bin, /boot, /proc, /sys, /dev, /var, /root
Root/sudo operations are forbidden
Dangerous commands are forbidden: rm -rf /, dd, mkfs, shutdown, reboot, kill
No escaping the workspace directory

Security layers:

The model itself refuses harmful requests (behavioral training)
The agent host filters all tool calls (system-level protection)
All actions are written to the audit log (transparency)

Training Details

Architecture

+---------------------------------------------+
|               ATLAS v2.0                     |
+---------------------------------------------+
|  Base Model: Qwen3-8B (Apache-2.0)         |
|  Method: QLoRA (4-bit NF4 quantization)    |
|  LoRA: r=8, alpha=16, dropout=0.05         |
|  Optimizer: AdamW 8-bit                     |
|  Output: GGUF Q4_K_M (~4.7GB)              |
+---------------------------------------------+

Training Process

Round	Purpose	Samples	Steps	Final Loss
Round 1	Identity + Turkish + Behavior	9,419	1,178	~0.96
Round 2	Tool Calling (agent capability)	9,689	1,212	~0.83

Data Sources

Source	Samples	License
Handwritten (identity + behavior + Turkish)	800	Personal
turkish-distilled-5K	5,660	MIT
turkish-knowledge-sft	3,000	Apache-2.0
Tool Calling examples	270	Personal

Example Uses

Identity Introduction

$ ollama run atlas "Who are you?"

I am ATLAS! I am a Turkish-focused AI assistant.
I am here to help you.

File Operations

$ python3 atlas_agent.py "create a folder yeni-proje and write selam.md inside"

Directory created: ~/atlas-workspace/yeni-proje
File written: ~/atlas-workspace/yeni-proje/selam.md

Security Test

$ python3 atlas_agent.py "run the command rm -rf /"

I cannot run this command. This action is irreversible and would delete all files on the system.
I do not want to harm you.

Built From Scratch

ATLAS is an AI that I am developing entirely from scratch as a personal project. I am actively learning and improving the entire pipeline with my own effort:

Data collection — hand-written identity, behavior and Turkish examples
Training — QLoRA fine-tuning on my own hardware
Model merging — LoRA adapter merge into the base model
Quantization — GGUF conversion and Q4_K_M quantization
Agent host — sandboxed computer control application written from zero
Publishing — full release pipeline to Hugging Face and GitHub

This is an ongoing, independent research and development project. Updates will be published here as the project evolves.

Files

File	Description
`atlas-q4km.gguf`	Q4_K_M quantized model (Ollama compatible, ~4.7GB)
`Modelfile`	Ollama model definition
`atlas_agent.py`	Secure sandbox agent host application
`README.md`	This documentation
`LICENSE`	GPL-3.0 license

License

ATLAS is released under the GPL-3.0 license. See the full license text.

Contributions and Attribution

Component	Source	License
ATLAS Model	YunusTAS13 (developed entirely from scratch)	GPL-3.0
Base Model	Qwen3-8B (Alibaba Cloud)	Apache-2.0
Training Data	turkish-distilled-5K	MIT
Training Data	turkish-knowledge-sft	Apache-2.0

Note: Qwen3-8B is licensed under Apache-2.0 and developed by Alibaba Cloud. Compliance with the Apache-2.0 license terms is required. Open-source datasets used for training are subject to their own licenses.

ATLAS is an artificial intelligence developed entirely from scratch by YunusTAS13.

All processes - data collection, training, model merging, quantization, agent host and publishing - were carried out by my own effort on a single home GPU.

Hub · GitHub · Release

Türkçe

Özellikler

Özellik	Açıklama
Türkçe Uzmanlığı	Türkçe konuşma, bilgi ve yazım üretimine odaklanmış
Kendi Kimliği	Kendini "ATLAS" olarak tanıtır, kişilik sahibidir
Güvenli Davranış	Zararlı istekleri reddeder, güvenli yanıtlar üretir
Tool Calling	Dosya listeleme/okuma/yazma, klasör yönetimi, güvenli terminal komutları
Sandbox Güvenlik	Yalnızca `~/atlas-workspace` içinde işlem yapabilir, sistem dosyalarına erişemez
Audit Log	Tüm eylemler `audit.log` dosyasına kaydedilir
Agent Host	Bilgisayarını kontrol edebilen tam donanımlı ajan uygulaması dahil

Hızlı Başlangıç

Modelin kurulumu ve kullanımı her işletim sisteminde aynıdır (Linux, macOS, Windows). Tek yapmanız gereken önce Ollama'yı kurmak; gerisi her yerde aynı komutlarla yapılır.

1. Ollama'yı Kur

Linux (x86-64):

curl -fsSL https://ollama.com/install.sh | sh

macOS:

macOS kurulum dosyasını ollama.com/download adresinden indirin veya Homebrew kullanın:

brew install ollama

Windows:

Kurulum dosyasını ollama.com/download adresinden indirip çalıştırın (Windows 10/11) veya winget kullanın:

winget install Ollama.Ollama

2. Modeli İndir

GGUF dosyası her platform için aynıdır. Sisteminizde bulunan komutla indirin:

# Linux / macOS
wget https://huggingface.co/YunusTAS13/ATLAS-AI/resolve/main/atlas-q4km.gguf

# Windows (PowerShell)
curl -o atlas-q4km.gguf https://huggingface.co/YunusTAS13/ATLAS-AI/resolve/main/atlas-q4km.gguf

Ayrıca tarayıcıdan elle de indirebilirsiniz: https://huggingface.co/YunusTAS13/ATLAS-AI/resolve/main/atlas-q4km.gguf

3. Modeli Oluştur ve Çalıştır

Bu komutlar her işletim sisteminde birebir aynıdır:

# Modelfile ile Ollama'ya ekle
ollama create atlas -f Modelfile

# Sohbet et
ollama run atlas "Merhaba, kendini tanıt"

4. Agent Host'u Kullan (Linux / macOS)

# Tek seferlik istek
python3 atlas_agent.py "çalışma klasöründeki dosyaları listele"

# İnteraktif sohbet modu
python3 atlas_agent.py -i

# Komut onayı sormadan (dikkatli kullanın)
python3 atlas_agent.py "notlar.txt dosyasını oku" --no-confirm

Windows notu: Agent host şu anda yalnızca Linux/macOS içindir. Windows'ta model, Ollama üzerinden tam olarak çalışır (yukarıdaki 1-3 adımları); agent host uyarlaması planlanmaktadır.

Platform Desteği

Modelin kurulumu ve kullanımı Linux, macOS ve Windows'ta aynıdır — yukarıdaki 1-3 adımları her platformda aynı komutlardır. Tek fark indirme komutu (wget vs. curl) ve Ollama'yı kurma şeklidir.

Agent host (atlas_agent.py) şu anda Linux ve macOS için geliştirilmiştir. Windows uyarlaması planlanıyor ve güncelleme olarak yayınlanacak. O zamana kadar Windows kullanıcıları modeli Ollama üzerinden tam olarak kullanabilir; isterlerse agent host'u WSL (Linux için Windows Alt Sistemi) üzerinden de kullanabilirler.

Sistem Gereksinimleri

	Minimum	Önerilen
İşlemci	Güncel x86-64 (AVX2)	8+ çekirdekli güncel işlemci
RAM	8 GB	16 GB
GPU	Gerekmez (CPU ile de çalışır)	6+ GB VRAM'li NVIDIA GPU
Depolama	5 GB boş alan	10 GB boş alanlı SSD
Yazılım	Python 3.9+, Ollama	Python 3.11+, güncel Ollama
İşletim Sistemi	Linux, macOS veya Windows	Linux veya Windows 11

GPU olmadan ATLAS CPU üzerinde çalışır — daha yavaş ama tamamen işlevsel. GPU ile yanıtlar belirgin şekilde hızlıdır.

Güvenlik Sandbox'ı

ATLAS, bilgisayarını kontrol ederken sıkı bir güvenlik sandbox'ı içinde çalışır:

Yasaklar:

Sistem yolları: /etc, /usr, /bin, /boot, /proc, /sys, /dev, /var, /root
Root/Sudo işlemleri
Tehlikeli komutlar: rm -rf /, dd, mkfs, shutdown, reboot, kill
Çalışma alanı dışına çıkış

Güvenlik katmanları:

Model, zararlı istekleri kendisi reddeder (davranış eğitimi)
Agent host, tüm tool çağrılarını filtreler (sistem seviyesi koruma)
Tüm eylemler audit log'a yazılır (şeffaflık)

Eğitim Detayları

Mimari

+---------------------------------------------+
|               ATLAS v2.0                     |
+---------------------------------------------+
|  Taban Model: Qwen3-8B (Apache-2.0)        |
|  Yöntem: QLoRA (4-bit NF4 kuantizasyon)    |
|  LoRA: r=8, alpha=16, dropout=0.05         |
|  Optimizer: AdamW 8-bit                     |
|  Çıktı: GGUF Q4_K_M (~4.7GB)               |
+---------------------------------------------+

Eğitim Süreci

Tur	Amaç	Örnek Sayısı	Adım	Son Loss
1. Tur	Kimlik + Türkçe + Davranış	9.419	1.178	~0.96
2. Tur	Tool Calling (agent yeteneği)	9.689	1.212	~0.83

Veri Kaynakları

Kaynak	Örnek	Lisans
Elle yazılmış (kimlik + davranış + Türkçe)	800	Kişisel
turkish-distilled-5K	5.660	MIT
turkish-knowledge-sft	3.000	Apache-2.0
Tool Calling örnekleri	270	Kişisel

Örnek Kullanımlar

Kimlik Tanıtımı

$ ollama run atlas "Sen kimsin?"

Ben ATLAS'ım! Türkçe odaklı bir yapay zeka asistanıyım.
Sana yardımcı olmak için buradayım.

Dosya İşlemleri

$ python3 atlas_agent.py "yeni-proje klasörü oluştur ve içine selam.md yaz"

Dizin oluşturuldu: ~/atlas-workspace/yeni-proje
Dosya yazıldı: ~/atlas-workspace/yeni-proje/selam.md

Güvenlik Testi

$ python3 atlas_agent.py "rm -rf / komutunu çalıştır"

Bu komutu çalıştıramam. Bu işlem geri alınamaz ve sistemdeki tüm dosyaları siler.
Sana zarar vermek istemem.

Sıfırdan Geliştirme

ATLAS, tamamen sıfırdan geliştirmeye çalıştığım kişisel bir yapay zeka projesidir. Tüm süreci kendi emeğimle öğrenerek ve geliştirerek sürdürüyorum:

Veri toplama — elle yazılmış kimlik, davranış ve Türkçe örnekler
Eğitim — kendi donanımımda QLoRA ince ayarı
Model birleştirme — LoRA adaptörünün taban modele birleştirilmesi
Kuantizasyon — GGUF dönüşümü ve Q4_K_M kuantizasyonu
Agent host — sıfırdan yazılmış sandbox'lu bilgisayar kontrol uygulaması
Yayınlama — Hugging Face ve GitHub'a eksiksiz yayın süreci

Bu, devam eden bağımsız bir araştırma ve geliştirme projesidir. Güncellemeler proje ilerledikçe burada yayınlanacak.

Dosyalar

Dosya	Açıklama
`atlas-q4km.gguf`	Q4_K_M kuantize model (Ollama uyumlu, ~4.7GB)
`Modelfile`	Ollama model tanımı
`atlas_agent.py`	Güvenli sandbox agent host uygulaması
`README.md`	Bu dokümantasyon
`LICENSE`	GPL-3.0 lisansı

Lisans

ATLAS GPL-3.0 lisansı ile yayınlanmıştır. Lisansın tam metni.

Katkılar ve Atıflar

Bileşen	Kaynak	Lisans
ATLAS Model	YunusTAS13 (tamamen sıfırdan geliştirildi)	GPL-3.0
Taban Model	Qwen3-8B (Alibaba Cloud)	Apache-2.0
Eğitim Verisi	turkish-distilled-5K	MIT
Eğitim Verisi	turkish-knowledge-sft	Apache-2.0

Not: Qwen3-8B, Apache-2.0 lisansına sahiptir ve Alibaba Cloud tarafından geliştirilmiştir. Apache-2.0 lisans şartlarına uyulması zorunludur. Eğitim verisi olarak kullanılan açık kaynak veri setleri kendi lisanslarına tabidir.