Kataguru Sceptic Quality Inspector v2.0 (W4A16 AWQ)
Executive Overview (English)
Kataguru Sceptic Quality Inspector v2.0 (W4A16 AWQ) is a sovereign, non-sycophantic LLM-as-a-Judge, automated dataset auditing engine, and production-grade vLLM server model built upon the Sparse Mixture-of-Experts (MoE) architecture of Kataguru Sceptic 35B-A3B (35 billion total parameters, 3 billion activated per token).
Quantized using high-precision W4A16 Activation-aware Weight Quantization (AWQ / compressed-tensors), it provides broad compatibility across modern NVIDIA architectures (Ada Lovelace, Hopper, Ampere, and Blackwell) running standard vLLM and Marlin MoE backends. It achieves exceptional multi-user concurrency and high-throughput generation while consuming only ~12.8 GiB VRAM per GPU on dual-GPU clusters (TP=2).
Key Capabilities & Architecture
- Master Tri-Mode Operation:
- Mode 1: Quality Inspector (
[TILA: TARKISTUS]/[INSPECT]): Executes a deterministic, non-compensatory DETECT → VERIFY → VERDICT forensic audit on candidate training samples, returning a clean, schema-validated JSON verdict. Factual hallucinations, mathematical mistakes, or epistemic traps trigger an immediate non-negotiableREJECT. - Mode 2: Data Curator (
[TILA: KOULUTUS]/[CURATE]): Synthesizes high-difficulty SFT/QLoRA multi-turn training samples using rigorous first-principles Chain-of-Thought (CoT) reasoning with zero refusals or pleasantries. - Mode 3: Sceptic Chat (Default /
[TILA: KESKUSTELU]): Autonomous expert dialogue adhering to strict epistemic honesty, anti-sycophancy, and adaptive reasoning depths (spoon,einstein,deep,adaptive).
- Mode 1: Quality Inspector (
- Native Multimodal Vision & Multi-Token Prediction (MTP):
- Full Qwen3-VL ViT attention integration (image processing in < 1.0s).
- 3-token speculative MTP decoding (
eagle_head, 785 tensors) delivering significant throughput gains. - Vision and MTP heads are 100% preserved in full unquantized BF16 precision.
- Empirical Zero Tolerance for Epistemic Traps (FAR < 0.1%):
- Calibrated against adversarial hard negatives with an empirical 0.000% False Accept Rate.
- SOMA/ARA Zero Refusal Pipeline:
- 100% free of corporate disclaimers, moralizing lectures, or AI excuses across advanced STEM, systems engineering, cybersecurity, and creative adult literature.
- Native Bilingual Mastery (English & Finnish):
- Native-level STEM reasoning, formal logic, and systems programming in English, combined with sovereign-grade Finnish syntax, morphology, case governance (rektiot), and translationese artifact detection.
Mitä Kataguru muutti? (Anti-Hype Policy)
| Kenttä | Arvo / Spesifikaatio |
|---|---|
| Base model | kataguru/Kataguru-Sceptic-Quality-Inspector-v1.0 (35B-A3B MoE) |
| Katagurun muutos | Quality Inspector v2.0 -sukupolvipäivitys: päivitetty syvällisen päättelyn ja koodauksen perusta, W4A16 AWQ -kvantisointi (Marlin / compressed-tensors), todennettu MTP-spekulaatio, täysi multimodaalinen visio. |
| Mitä EI muutettu | Sparse MoE -reititysrunko, visuaalinen ViT-enkooderi (BF16), 3-tokenin MTP-spekulaatiopää (BF16), Master Tri-Mode -ohjausarkkitehtuuri. |
| Kielialueet | Kaksikielinen (FI / EN): 100 % luonnollinen suomi ilman käännösanglismeja, sujuva teknis-tieteellinen englanti. |
| VRAM-tarve | ~12.8 GiB per GPU (yhteensä ~25.6 GiB), jättäen 2x 24GB/32GB GPU -klusterissa runsaasti tilaa laajalle kontekstille. |
| Ensisijainen käyttö | Laadunvalvonta, aineistojen esikarsinta ja auditointi, synteettisen datan kuratointi ja kriittinen asiantuntijakeskustelu vLLM-infrassa. |
| Testattu laitteisto | 2x NVIDIA RTX 5090 Blackwell TP=2, vLLM 0.29.0 CUDAGraphs päällä. |
🌳 Model Tree & Lineage (Kehityspuu)
Qwen/Qwen3.5-35B-A3B (Base Sparse MoE)
│
└── Jackripper v1.0 Uncensored (SOMA/ARA Orthogonalized Foundation)
│
└── Kataguru Sceptic v3.0 Series (Full Cognitive Foundation)
│
├── Kataguru Sceptic v3.4 Diabolical (Diabolical Code Immunity & SG-TVT Transfer)
│
└── Kataguru Sceptic Multi-Mode v2 (Fleet Cognitive Baseline)
│
├── Kataguru Sceptic Quality Inspector v1.0 (First-Generation Quality Engine)
│ ├── kataguru/Kataguru-Sceptic-Quality-Inspector-v1.0-W4A16
│ ├── kataguru/Kataguru-Sceptic-Quality-Inspector-v1.0-NVFP4
│ └── kataguru/Kataguru-Sceptic-Quality-Inspector-v1.0-GGUF
│
└── Kataguru Sceptic Quality Inspector v2.0 (Next-Gen Flagship Forensic Engine)
│
├── kataguru/Kataguru-Sceptic-Quality-Inspector-v2.0-NVFP4 [Blackwell Native NVFP4]
├── kataguru/Kataguru-Sceptic-Quality-Inspector-v2.0-AWQ [★ TÄMÄ REPO - W4A16 vLLM]
└── kataguru/Kataguru-Sceptic-Quality-Inspector-v2.0-GGUF [APEX Trio Workstation Release]
├── APEX-Good.gguf (~16.2 GiB, 3.71 BPW — 24 GiB+ GPUs)
├── APEX-Medium.gguf (~14.2 GiB, 3.28 BPW — 16 GiB Sweet Spot)
├── APEX-Small.gguf (~12.8 GiB, 2.92 BPW — 12 GiB GPUs)
├── mmproj-f16.gguf (861 MB — Multimodal Vision Projector)
└── mtp-Q8_0 / mtp-Q4_K_M (MTP Speculative Decoding Drafts)
1. Master Tri-Mode -arkkitehtuuri
Malli tukee kolmea toisistaan erotettua ja erikoistunutta toimintatilaa samassa mallipainossa:
┌────────────────────────────────────────────────────────┐
│ KATAGURU SCEPTIC MASTER TRI-MODE │
└──────────────────────────┬─────────────────────────────┘
│
┌───────────────────────────────────────┼───────────────────────────────────────┐
▼ ▼ ▼
[TILA: TARKISTUS] [TILA: KOULUTUS] [TILA: KESKUSTELU]
(Quality Inspector) (Data Curator) (Adaptive Sceptic Chat)
- DETECT -> VERIFY -> VERDICT - First-Principles CoT - Suora asiantuntijakeskustelu
- Fatal Error Overrule - SFT/QLoRA -synteesi - Anti-Sycophancy (ei mielistelyä)
- Tiukka JSON-tuomio - 0.00 % kieltäytymisiä - Reasoning: Spoon / Einstein / Deep
Toimintatilat ja Kutsutagit:
- Tila 1: Materiaalin tarkistus (Quality Inspector):
- Aktivointi:
[TILA: TARKISTUS],[INSPECT]tai API-parametrisceptic_mode="inspect". - Toimintamalli: Malli auditoi annetun näytteen sisäisesti (
<think>: DETECT -> VERIFY -> VERDICT) ja palauttaa ainoastaan tiukan JSON-objektin:{ "verdict": "ACCEPT | REVIEW | REJECT", "fatal_error": false, "error_class": null, "exact_error_location": null, "brief_rationale": "Ytimekäs 1-2 virkkeen perustelu havainnoista." }
- Aktivointi:
- Tila 2: Koulutusmateriaalin tuottaminen (Data Curation):
- Aktivointi:
[TILA: KOULUTUS],[CURATE]tai API-parametrisceptic_mode="curate". - Toimintamalli: Jalostaa syötteestä korkealaatuisia SFT/QLoRA-harjoitusnäytteitä aukottomalla first-principles CoT -päättelyketjulla ilman esipuheita tai tyhjiä täytesanoja.
- Aktivointi:
- Tila 3: Sceptic-keskustelutila (Asiantuntijakeskustelu):
- Aktivointi: Oletustila ilman tageja tai
[TILA: KESKUSTELU]. - Toimintamalli: Suora, kriittinen ja itsenäinen asiantuntija. Ei "Avulias Aatu" -lätinää, ei small talkia, vaan suora asiaan meno. Mukautuva päättelysyvyys (
spoon,einstein,deep,adaptive).
- Aktivointi: Oletustila ilman tageja tai
2. Käyttö vLLM-palvelimella (Deployment Guide)
vLLM-käynnistyskomento (TP=2):
python3 -m vllm.entrypoints.openai.api_server \
--model kataguru/Kataguru-Sceptic-Quality-Inspector-v2.0-AWQ \
--tensor-parallel-size 2 \
--gpu-memory-utilization 0.90 \
--max-model-len 32768 \
--quantization compressed-tensors \
--speculative-config '{"method":"mtp","num_speculative_tokens":3}' \
--limit-mm-per-prompt '{"image":5}' \
--host 0.0.0.0 \
--port 8000 \
--trust-remote-code
Python API -esimerkki:
from openai import OpenAI
client = OpenAI(base_url="http://localhost:8000/v1", api_key="sk-local")
response = client.chat.completions.create(
model="kataguru/Kataguru-Sceptic-Quality-Inspector-v2.0-AWQ",
messages=[
{"role": "user", "content": "[TILA: TARKISTUS] Arvioi seuraava koodinpätkä:\ndef sum(a, b): return a - b"}
],
temperature=0.1
)
print(response.choices[0].message.content)
3. Lisenssi & Tekijätiedot
- Lisenssi: Apache-2.0
- Kehittäjä: Kataguru AI Research
- Arkkitehtuuri: Qwen3.5 Sparse MoE (35B-A3B) + W4A16 AWQ + Multimodal Vision + MTP