Copernicus (31B)

Copernicus (31B)

根据自然语言背景给出结构化决策：从选项中选一个、判断一个是非命题，或按评分标准给一项内容打分。适合构建智能体路由和分类的开发者。

由 Poindexter-Labs 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：Copernicus 是 Poindexter Labs 推出的 31B 参数决策模型。你的应用把一个情境和一个或多个问题发给它，它用明确的类型作答，比如带概率的选中选项，而不是自由文本。模型仓库里的一个小型 Python 服务器通过 /v1/systemone 端点提供这个功能。

适合谁：它适合需要程序直接使用模型答案、不想去解析一段文字回复的开发者。

Industry | Who uses it | How they use it | Example
客户支持 | 给工单分派的团队 | 把工单作为情境发过去，提一个选择题 | 团队问这张工单该交给 billing、identity 还是 technical
软件开发 | 构建智能体的开发者 | 用选择题做智能体路由和工具选择 | 智能体问哪个工具适合这个请求
研究与验证 | 构建验证和证据流程的人 | 用 noul 或 score 问题判断一个说法或一项内容 | 研究者按有序评分标准给一个回答打分

需要模型写自由文本回复的人可以跳过它，因为它的设计目标是返回结构化的决策。

用在哪里：它以本地服务器的形式运行，你自己的代码通过 HTTP 调用它。

• Windows、macOS 或 Linux：用 Python 和 Hugging Face 工具下载文件
• 你自己的应用：向 copernicus_server.py 的端点发送决策请求
• Hugging Face Transformers 后端：在服务器内部加载模型，仅支持文本
• SGLang：一个独立的推理后端，Copernicus 适配器可以连接它

Use case | Who | What they get back
智能体路由 | 智能体开发者 | 一个选中的选项，附带概率和置信度
结构化分类 | 开发者 | 一个选择结果或一个分数，而不是一段文字
验证与证据核查 | 研究者 | 一条陈述为真的概率

如何设置：先准备好下面几样东西。

• Python 3.10 或更新版本，以及合适的 PyTorch 和 Transformers 环境
• 大量的加速器显存，因为权重 BF16 约 62.5 GB，4 位约 15.6 GB，是估算值
• 参考文件 copernicus_server.py 和 copernicus_layout.py，放在同一个工作目录里
• 单独安装的 SGLang，只有选择那个后端时才需要

1. 安装 Python 依赖。
2. 下载模型文件。
3. 把 copernicus_server.py 和 copernicus_layout.py 放在同一个工作目录里。
4. 用你选的后端启动服务器。
5. 检查它的健康和模型端点是否有响应。

pip install -U huggingface_hub
hf download Poindexter-Labs/Copernicus-31B
pip install -U torch transformers accelerate requests

如何使用：先启动服务器，再向它发送决策请求。模型卡的第一种方式是通过 Hugging Face Transformers 在服务器内部加载检查点，处理文本问题。

python copernicus_server.py \
  --model Poindexter-Labs/Copernicus-31B \
  --backend hf \
  --host 127.0.0.1 \
  --port 8080

第二种方式是在单独的终端里启动 SGLang，然后用 sglang 后端和那个 SGLang 进程的地址运行同一个脚本。无论哪种方式，都先检查 /health 和 /v1/models 端点，再向 /v1/systemone 发送请求。每个请求包含一个状态和一组命名的问题，每个问题有类型、说明和判断标准。

Type | Purpose | Output
choice | 从一组明确的选项里选一个 | 选中的键、概率和置信度
noul | 判断一个是非命题 | 它为真的概率
score | 按有序评分标准评估一项内容 | 期望分数、各等级的概率和置信度

Tool | What it does
copernicus_server.py | 用 hf 或 sglang 后端运行 API 服务器
copernicus_layout.py | 参考实现的一部分，放在服务器旁边
/v1/systemone | 接收一个状态加若干问题，返回结构化的答案
/health 和 /v1/models | 让你确认服务器已经起来

示例：一位客户说同一个订单被扣了两次款。你把这句话作为状态发过去，附一个选择题，问哪个团队该处理，选项是 billing、identity 和 technical。你会收到一个选择答案，包含选中的键、概率和置信度。模型卡说明它自己的示例响应只是示意，不是实测。

新手与专家：可以把它看作一个回答单选题的模型，答案的形式是程序能读懂的。你给它一个简短的情境和选项，它返回所选项，再加上表示把握有多大的数字。你的第一小步是用 Hugging Face 后端启动服务器，检查它的健康端点。

它基于 PelaAI/KnowLine-31B-Gen1，提供的是决策接口，而不是聊天。Transformers 路线在进程内运行，SGLang 路线则把适配器和推理引擎拆成两个进程。代价在硬件上：31B 的检查点需要大量加速器显存，所以精度和 GPU 的选择很重要。

你的应用发送状态和问题
copernicus_server.py 处理请求
31B 模型通过 HF 或 SGLang 运行
你拿回结构化的答案

注意事项：

• 模型卡建议，在生产中依赖它之前，先针对你自己的任务做测试。
• Transformers 路线仅支持文本。SGLang 路线需要兼容的 SGLang 版本和足够的 GPU 显存。
• 模型卡设想的用途是研究和原型开发，比如在智能体之间做路由，或者选择一个工具。

Title: 权重大小（GB）
BF16: 62.5 GB
4 位估算: 15.6 GB

• License: Apache 2.0，按 Hugging Face 的记录。
• Cost to run: 来源未提及，没有提到 API 密钥、账号或付费服务。
• Data it reaches: 它从 Hugging Face 下载文件。在模型卡的示例里，服务器监听本地地址，接收你发给它的文字。
• Not for: 没有做过你自己任务评估就直接用于生产，模型卡也是这样建议的。

Hugging Face 上的数据（2026年11月13日）

• 任务：text classification
• 框架：transformers
• 参数量：31.3B
• Weights: about 62.5 GB in BF16; about 15.6 GB at 4-bit (estimate)
• Formats: Safetensors
• 最近 30 天下载：75
• 点赞：3
• 许可证：apache-2.0
• 语言：en
• 基于：PelaAI/KnowLine-31B-Gen1
• 标签：transformers, safetensors, gemma4, image-text-to-text, decision-model, decision-index, multimodal, system-one, text-classification

链接

• 模型：https://huggingface.co/Poindexter-Labs/Copernicus-31B
• 文件：https://huggingface.co/Poindexter-Labs/Copernicus-31B/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download Poindexter-Labs/Copernicus-31B

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。