Kataguru Sceptic Quality Inspector v2.0 (NVFP4)
Executive Overview (English)
Kataguru Sceptic Quality Inspector v2.0 (NVFP4) is a sovereign, non-sycophantic LLM-as-a-Judge, automated dataset auditing engine, and ultra-high-throughput expert model. Built upon the Sparse Mixture-of-Experts (MoE) architecture of Kataguru Sceptic 35B-A3B (35 billion total parameters, 3 billion activated per token), version 2.0 serves as the primary dataset audit engine, data firewall, and forensic filtration system across high-performance LLM training pipelines.
Hardware-optimized for NVIDIA RTX 50-series Blackwell architecture using native NVFP4 quantization (FP4 weights with FP8 activation scales), it achieves generation speeds of ~272–360 tok/s and an ultra-low ~70 ms Time To First Token (TTFT) while consuming only ~12.1 GiB VRAM per GPU on dual RTX 5090 Blackwell hardware (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 empirical speedup (+1.32 bonus tokens per decoding step). - Vision and MTP heads are 100% preserved in full 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, Blackwell NVFP4 -kvantisointi (sm_120 FP4 weights / FP8 activation scales), Marlin/FlashInfer MoE -integraatio, todennettu MTP-spekulaatio. |
| 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 | ~12.1 GiB per GPU (yhteensä ~24.2 GiB), jättäen 2x RTX 5090 -klusterissa yli 18 GiB vapaata tilaa laajalle kontekstille. |
| Ensisijainen käyttö | Ultranopea aineistojen esikarsinta ja auditointi, synteettisen datan tuottaminen, reaaliaikainen kognitiivinen tuomarointi ja kriittinen asiantuntijakeskustelu. |
| Testattu laitteisto | 2x NVIDIA GeForce RTX 5090 32GB Blackwell (TP=2), vLLM 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 [★ TÄMÄ REPO - vLLM PRODUCTION]
└── 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 ilman small talkia tai moraalisaarnoja.
- Aktivointi: Oletustila ilman tageja tai
2. Empiiriset Suorituskykymittaukset (2x RTX 5090 Blackwell TP=2)
Mittaukset ajettu tuotantoasetuksilla (2x RTX 5090 32GB Blackwell, TP=2, CUDAGraphs ON, FlashInfer Marlin MoE):
| Testitapaus / Toimintatila | Input-tokenit | Output-tokenit | TTFT (ms) | Generointiaika (s) | Generointinopeus (tok/s) |
|---|---|---|---|---|---|
| Lämpöajo (Warmup) | 1 191 | 30 | 77.23 ms | 0.108 s | 276.43 tok/s |
| Tila 1: Tarkistus (FI) | 659 | 512 | 71.56 ms | 1.419 s | 360.83 tok/s 🏆 |
| Tila 1: Inspection (EN) | 664 | 373 | 71.26 ms | 1.131 s | 329.86 tok/s |
| Tila 2: Koulutus (FI) | 674 | 847 | 66.49 ms | 2.991 s | 283.19 tok/s |
| Tila 2: Curation (EN) | 636 | 1 111 | 68.45 ms | 3.800 s | 292.40 tok/s |
| Tila 3: Keskustelu Spoon (FI) | 1 244 | 185 | 70.94 ms | 0.699 s | 264.81 tok/s |
| Tila 3: Keskustelu Einstein (FI) | 1 259 | 530 | 70.28 ms | 1.860 s | 285.02 tok/s |
| KOKONAISKESKIARVO | — | 3 558 tok | 69.83 ms | — | 298.99 tok/s |
3. Käyttö vLLM-infrassa (Deployment Guide)
python3 -m vllm.entrypoints.openai.api_server \
--model kataguru/Kataguru-Sceptic-Quality-Inspector-v2.0-NVFP4 \
--tensor-parallel-size 2 \
--gpu-memory-utilization 0.85 \
--max-model-len 4096 \
--quantization compressed-tensors \
--kv-cache-dtype fp8 \
--speculative-config '{"method":"mtp","num_speculative_tokens":3}' \
--host 0.0.0.0 \
--port 8001 \
--trust-remote-code
4. Lisenssi & Tekijätiedot
- Lisenssi: Apache-2.0
- Kehittäjä: Kataguru AI Research
- Arkkitehtuuri: Qwen3.5 Sparse MoE (35B-A3B) + Blackwell NVFP4 Optimization + Master Tri-Mode Chat Template