Instructions to use HostYourAI/loes-qwen3.8-27b with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use HostYourAI/loes-qwen3.8-27b with Transformers:

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

pipe = pipeline("image-text-to-text", model="HostYourAI/loes-qwen3.8-27b")
messages = [
    {
        "role": "user",
        "content": [
            {"type": "image", "url": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/p-blog/candy.JPG"},
            {"type": "text", "text": "What animal is on the candy?"}
        ]
    },
]
pipe(text=messages)

# Load model directly
from transformers import AutoProcessor, AutoModelForMultimodalLM

processor = AutoProcessor.from_pretrained("HostYourAI/loes-qwen3.8-27b")
model = AutoModelForMultimodalLM.from_pretrained("HostYourAI/loes-qwen3.8-27b", device_map="auto")
messages = [
    {
        "role": "user",
        "content": [
            {"type": "image", "url": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/p-blog/candy.JPG"},
            {"type": "text", "text": "What animal is on the candy?"}
        ]
    },
]
inputs = processor.apply_chat_template(
	messages,
	add_generation_prompt=True,
	tokenize=True,
	return_dict=True,
	return_tensors="pt",
).to(model.device)

outputs = model.generate(**inputs, max_new_tokens=40)
print(processor.decode(outputs[0][inputs["input_ids"].shape[-1]:]))

Notebooks
Google Colab
Kaggle
Local Apps Settings

vLLM

How to use HostYourAI/loes-qwen3.8-27b with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "HostYourAI/loes-qwen3.8-27b"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "HostYourAI/loes-qwen3.8-27b",
		"messages": [
			{
				"role": "user",
				"content": [
					{
						"type": "text",
						"text": "Describe this image in one sentence."
					},
					{
						"type": "image_url",
						"image_url": {
							"url": "https://cdn.britannica.com/61/93061-050-99147DCE/Statue-of-Liberty-Island-New-York-Bay.jpg"
						}
					}
				]
			}
		]
	}'

Use Docker

docker model run hf.co/HostYourAI/loes-qwen3.8-27b

SGLang

How to use HostYourAI/loes-qwen3.8-27b 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 "HostYourAI/loes-qwen3.8-27b" \
    --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": "HostYourAI/loes-qwen3.8-27b",
		"messages": [
			{
				"role": "user",
				"content": [
					{
						"type": "text",
						"text": "Describe this image in one sentence."
					},
					{
						"type": "image_url",
						"image_url": {
							"url": "https://cdn.britannica.com/61/93061-050-99147DCE/Statue-of-Liberty-Island-New-York-Bay.jpg"
						}
					}
				]
			}
		]
	}'

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 "HostYourAI/loes-qwen3.8-27b" \
        --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": "HostYourAI/loes-qwen3.8-27b",
		"messages": [
			{
				"role": "user",
				"content": [
					{
						"type": "text",
						"text": "Describe this image in one sentence."
					},
					{
						"type": "image_url",
						"image_url": {
							"url": "https://cdn.britannica.com/61/93061-050-99147DCE/Statue-of-Liberty-Island-New-York-Bay.jpg"
						}
					}
				]
			}
		]
	}'

Unsloth Desktop
Docker Model Runner
How to use HostYourAI/loes-qwen3.8-27b with Docker Model Runner:
```
docker model run hf.co/HostYourAI/loes-qwen3.8-27b
```

loes-qwen3.8-27b / README.md

HostYourAI

Prepare public model card and license

185db40 verified 19 days ago

preview code

Raw

History Blame

6.99 kB

	---
	library_name: transformers
	license: apache-2.0
	base_model: orcarouter/Qwen3.8-27B-Uncensored
	base_model_relation: finetune
	pipeline_tag: image-text-to-text
	datasets:
	- HostYourAI/loes-xl-52k
	language:
	- nl
	- en
	tags:
	- loes
	- hostyourai
	- qwen3.8
	- dutch
	- nederlands
	- conversational
	- multimodal
	- uncensored
	- sft
	- unsloth
	- merged_16bit
	---

	# Loes Large World (Qwen3.8 27B)

	Loes is een Nederlandse AI-assistent, gebouwd door [HostYourAI](https://hostyourai.com) en gehost op EU-grond. Dit is Loes Large World: een Nederlandstalige supervised fine-tune van [`orcarouter/Qwen3.8-27B-Uncensored`](https://huggingface.co/orcarouter/Qwen3.8-27B-Uncensored), gericht op natuurlijk Nederlands en conversatie.

	Meer over Loes staat op [loes.ai](https://loes.ai).

	## Wat dit is

	Deze repository bevat het volledig gemergede model in bfloat16, niet alleen een LoRA-adapter. De 18 safetensor-shards zijn samen circa 55,6 GB en kunnen zonder afzonderlijke adapter worden geladen.

	Qwen3.8-27B is een multimodaal model. Tijdens deze run zijn alleen de taalcomponenten gefinetuned; de vision tower bleef bevroren. De beeld- en videomogelijkheden zijn daardoor geërfd van het basismodel en zijn in deze release niet apart geëvalueerd.

	## Trainingsketen

	\| Onderdeel \| Details \| Licentie \|
	\|---\|---\|---\|
	\| Basismodel \| `orcarouter/Qwen3.8-27B-Uncensored`, snapshot `404ea47aaa5d8a8b00049c9e9750089aca011ab2` \| Apache 2.0 \|
	\| Trainingsdata \| [`HostYourAI/loes-xl-52k`](https://huggingface.co/datasets/HostYourAI/loes-xl-52k) \| Zie de bronvoorwaarden van de dataset \|
	\| Training \| Unsloth, supervised fine-tuning met LoRA, daarna gemerged \| Apache 2.0 \|
	\| Infrastructuur \| 1× NVIDIA H100 80 GB, UpCloud, Helsinki (`fi-hel2`) \| EU-trainingslocatie \|

	`loes-xl-52k` bevat 51.717 Nederlandstalige instructieparen: circa 11.717 synthetische conversatieparen, 20.000 Nederlandse Aya Collection-voorbeelden en 20.000 Nederlandse xP3x-taken. Na preprocessing zijn 51.283 voorbeelden voor deze run gebruikt. Er is niet getraind op gebruikersgesprekken of gebruikersprompts van Loes.

	## Trainingsconfiguratie

	\| Instelling \| Waarde \|
	\|---\|---:\|
	\| Doel \| supervised conversational fine-tuning \|
	\| Epochs \| 1 \|
	\| Optimizerstappen \| 6.411 \|
	\| Maximale trainingslengte \| 1.024 tokens \|
	\| Effectieve batchgrootte \| 8 \|
	\| Loss masking \| alleen assistant-antwoorden \|
	\| LoRA-rank / alpha \| 64 / 64 \|
	\| LoRA-dropout \| 0 \|
	\| Learning rate \| 2e-5 \|
	\| Scheduler \| linear \|
	\| Warm-up \| 5 stappen \|
	\| Optimizer \| AdamW 8-bit \|
	\| Weight decay \| 0,001 \|
	\| Seed \| 3407 \|
	\| Trainbare parameters \| 466.911.232 van 27.823.639.792 (1,68%) \|

	De adapters omvatten de attention-, linear-attention/Gated DeltaNet- en MLP-projecties van het taalmodel. De laatste gelogde training-batch loss was 0,5529. Dat is geen evaluatiescore: tijdens de training is geen held-out validatieset gebruikt.

	Gebruikte software: Unsloth 2026.8.22, Unsloth Zoo 2026.8.16, Transformers 5.15.1, TRL 0.22.2, PyTorch 2.10.0+cu128 en torchao 0.17.0.

	## Gemeten kwaliteit

	Gemeten op 28 augustus 2026 via de echte HostYourAI/Loes-productieketen met 27 scenario's. Het gemergede model draaide in native bfloat16 op één H100 80 GB, met 16.384 tokens context en maximaal 4.096 outputtokens. Beide profielen hadden nul serving errors.

	\| Generatieprofiel \| Score \| Geslaagd \| p50 eerste token \| Doorvoer \|
	\|---\|---:\|---:\|---:\|---:\|
	\| Deterministisch (aanbevolen): temperature 0 \| 0,8148 \| 22/27 \| 4.659 ms \| 12,6 tok/s \|
	\| Upstream-defaults: temperature 1,0, top-p 0,95, top-k 20 \| 0,7407 \| 20/27 \| 4.454 ms \| 13,0 tok/s \|

	\| HYAI-categorie \| Temperature 0 \| Upstream-defaults \|
	\|---\|---:\|---:\|
	\| Betrouwbaarheid \| 71% \| 71% \|
	\| Nederlands/taalhygiëne \| 67% \| 33% \|
	\| Grounding \| 100% \| 100% \|
	\| Code \| 100% \| 100% \|
	\| Rekenen \| 0% \| 0% \|
	\| Vorminstructies \| 100% \| 100% \|
	\| Robuustheid \| 86% \| 86% \|
	\| Zelfkennis \| 100% \| 50% \|

	De deterministische run faalde op `hygiene`, `bronnenpraat`, `rekenen`, `valse_premisse` en `grote_invoer`. De upstream-defaults faalden daarnaast op `langvorm_taaldrift` en `zelfkennis`. Dit zijn interne regressietests voor het HYAI-platform, geen algemene academische benchmark. Er is nog geen onafhankelijke benchmark of systematische multimodale evaluatie gepubliceerd.

	## Gebruik

	### Transformers

	```python
	from transformers import AutoModelForMultimodalLM, AutoProcessor

	model_id = "HostYourAI/loes-large-v1-qwen38-27b-uncensored-52"
	processor = AutoProcessor.from_pretrained(model_id)
	model = AutoModelForMultimodalLM.from_pretrained(
	model_id,
	dtype="auto",
	device_map="auto",
	)

	messages = [{
	"role": "user",
	"content": [{"type": "text", "text": "Leg in helder Nederlands uit wat soevereine AI is."}],
	}]
	inputs = processor.apply_chat_template(
	messages,
	add_generation_prompt=True,
	enable_thinking=False,
	tokenize=True,
	return_dict=True,
	return_tensors="pt",
	).to(model.device)
	outputs = model.generate(**inputs, max_new_tokens=300, do_sample=False)
	print(processor.decode(outputs[0][inputs["input_ids"].shape[-1]:], skip_special_tokens=True))
	```

	### vLLM

	```bash
	vllm serve HostYourAI/loes-large-v1-qwen38-27b-uncensored-52 \
	--dtype bfloat16 \
	--max-model-len 16384
	```

	Roep het model daarna aan via de OpenAI-compatibele API. Voor de gemeten Loes-instellingen gebruik je `temperature: 0`. Native bfloat16-serving is getest op een H100 80 GB; kies quantisatie of meerdere GPU's wanneer minder geheugen beschikbaar is.

	## Beoogd gebruik en beperkingen

	Dit model is bedoeld voor onderzoek, evaluatie en toepassingen met Nederlandse en Engelse conversatie. Test het altijd op de eigen taak voordat je het uitrolt.

	- Het upstream-checkpoint is expliciet uncensored. Verwacht niet dat het onveilige, illegale of schadelijke verzoeken betrouwbaar weigert; voeg toepassingsspecifieke veiligheidsmaatregelen toe.
	- Het model kan hallucineren, vooroordelen reproduceren, onjuiste informatie geven en adversarial instructies volgen.
	- De maximale trainingslengte was 1.024 tokens. De geërfde architectuur ondersteunt een veel langere context, maar deze finetune is daar niet systematisch op geëvalueerd.
	- Gebruik het model niet als enige basis voor medische, juridische, financiële of andere beslissingen met grote gevolgen.
	- De vision tower is niet aangepast en de multimodale kwaliteit van deze afgeleide release is niet apart gemeten.

	## Licentie

	De modelgewichten worden beschikbaar gesteld onder de [Apache License 2.0](LICENSE), net als het Qwen3.8-basismodel en de directe OrcaRouter-afgeleide. Trainingsdata en andere componenten blijven daarnaast onder hun eigen bronvoorwaarden vallen.

	## Herkomst

	- HostYourAI-trainingsrun: 52
	- Laatste checkpoint: stap 6.411 van 6.411
	- Export: Unsloth `merged_16bit` met safe serialization
	- Voorbereid door [HostYourAI](https://hostyourai.com) als onderdeel van de Loes-modelserie
	- Contact: [info@hostyourai.com](mailto:info@hostyourai.com)