🦁 ARION ALPHA 1

آریون آلفا ۱ — مدل زبانی دوزبانه‌ی فارسی/انگلیسی، متخصص توسعه‌ی وب A compact, genuinely-trained bilingual (Persian 🇮🇷 / English 🇬🇧) Web-Development LLM

ARION ALPHA 1 is a real decoder-only Transformer (~0.6 B parameters) fine-tuned with LoRA SFT on a purpose-built corpus of Persian/English web-development instruction data, converted to standard GGUF weights and packaged for Ollama and llama.cpp.

It is not a prompt wrapper, not a hardcoded chatbot, and not fake weights — it ships real trainable weight deltas produced by gradient descent, a full training pipeline, evaluation reports and checksums. Everything was trained locally on a CPU-only, 4 GB RAM machine — no GPU, no cloud.

آریون آلفا ۱ یک مدل ترنسفورمر واقعی و decode-only با حدود ۰٫۶ میلیارد پارامتر است که با روش LoRA SFT روی پیکره‌ای اختصاصی از دستورالعمل‌های توسعه‌ی وب به دو زبان فارسی و انگلیسی فاین‌تیون شده و به فرمت استاندارد GGUF تبدیل و برای Ollama و llama.cpp بسته‌بندی شده است.

این مدل نه یک Wrapper ساده‌ی پرامپت است، نه یک چت‌بات هاردکدشده و نه وزن‌های تقلبی — دلتای وزن‌های واقعیِ حاصل از گرادیان دیسنت، پایپ‌لاین کامل آموزش، گزارش‌های ارزیابی و چک‌سام‌ها همگی در این مخزن موجودند. همه‌ی آموزش به‌صورت محلی و فقط روی CPU با ۴ گیگابایت رم انجام شده — بدون GPU و بدون فضای ابری.

📑 Table of Contents / فهرست مطالب

English	فارسی
Key facts	مشخصات کلیدی
Capabilities	قابلیت‌ها
Download	دانلود
Quickstart (Ollama)	اجرای سریع
llama.cpp / Transformers	اجرای بدون Ollama
Repository layout	ساختار مخزن
Training	آموزش
Evaluation	ارزیابی
Honest limitations	محدودیت‌های واقعی
Rebuild from source	بازسازی از منبع
License	مجوز

🔑 Key facts / مشخصات کلیدی

Item	Value
Model name	Arion Alpha 1
Ollama tag	`arion-alpha-1`
Architecture	Qwen3 decoder-only Transformer (GQA, SwiGLU, RoPE)
Base model	Qwen/Qwen3-0.6B — Apache-2.0
Total parameters	~0.596 B
Trainable params (LoRA)	7.569 M (r=12, α=24 → 1.25 % of total)
Method	LoRA SFT → merged → GGUF (F16 → Q8_0 → Q4_K_M)
Tokenizer	Qwen3 BPE (151 936 vocab), multilingual incl. Persian
Context (training)	192–256 tokens (RAM-constrained)
Context (inference)	up to 32 K (base-model native)
Languages	Persian (fa) + English (en), natural code-switching
Specialization	HTML, CSS, JavaScript, modern frontend, RTL, Google Fonts, teaching
Trained on	2-core CPU (AVX-512 / AMX-BF16), 4.36 GB RAM, no GPU — 167.5 minutes
License	Apache-2.0 (code + model); dataset licenses in `LICENSES.md`

مورد	مقدار
نام مدل	Arion Alpha 1 (آریون آلفا ۱)
تگ Ollama	`arion-alpha-1`
معماری	ترنسفورمر decode-only خانواده‌ی Qwen3 (GQA، SwiGLU، RoPE)
مدل پایه	Qwen/Qwen3-0.6B — Apache-2.0
تعداد کل پارامترها	~۰٫۵۹۶ میلیارد
پارامترهای قابل‌آموزش (LoRA)	۷٫۵۶۹ میلیون (r=12، α=24 → ۱٫۲۵٪ کل)
روش	LoRA SFT → ادغام وزن‌ها → GGUF (F16 → Q8_0 → Q4_K_M)
توکن‌ایزر	Qwen3 BPE با ۱۵۱٬۹۳۶ توکن، چندزبانه شامل فارسی
طول زمینه در آموزش	۱۹۲–۲۵۶ توکن (محدودیت رم)
طول زمینه در استنتاج	تا ۳۲ هزار توکن (سقف ذاتی مدل پایه)
زبان‌ها	فارسی + انگلیسی، با جابه‌جایی طبیعی بین دو زبان
تخصص	HTML، CSS، جاوااسکریپت، فرانت‌اند مدرن، RTL، گوگل‌فونت، آموزش مفاهیم
سخت‌افزار آموزش	CPU دو هسته‌ای، ۴٫۳۶ گیگ رم، بدون GPU — ۱۶۷٫۵ دقیقه
مجوز	Apache-2.0 (کد و مدل)؛ مجوز داده‌ها در `LICENSES.md`

What it can do / چه کارهایی از آن برمی‌آید

Answer Persian questions in Persian, English questions in English, and honor explicit “answer in Persian/English” requests — no random language switching.
Generate complete single-file pages and multi-file projects (index.html, css/style.css, js/app.js) with correct relative references.
Explain HTML/CSS/JS concepts from beginner to expert, including why solutions work.
Debug layouts (flexbox / grid / position / z-index / overflow), JS errors, responsive and RTL issues.
Build Persian/RTL websites with dir="rtl", lang="fa" and Vazirmatn / Estedad Google-Fonts setups.
Use modern CSS (custom properties, clamp(), grid/flex, container queries, glassmorphism, skeleton loaders, dark mode via prefers-color-scheme / data-theme) and modern JS (async/await, fetch, IntersectionObserver, event delegation, modules, localStorage).

به سؤال فارسی، پاسخ فارسی و به سؤال انگلیسی، پاسخ انگلیسی می‌دهد و درخواستِ صریحِ «به فارسی/انگلیسی جواب بده» را رعایت می‌کند — بدون تعویض تصادفی زبان.
تولید صفحات تک‌فایلی کامل و پروژه‌های چندفایلی (index.html، css/style.css، js/app.js) با ارجاع‌های نسبیِ صحیح.
توضیح مفاهیم HTML/CSS/JS از سطح مبتدی تا پیشرفته، همراه با دلیل درستیِ راه‌حل.
دیباگ چیدمان (flexbox / grid / position / z-index / overflow)، خطاهای JS، مشکلات ریسپانسیو و RTL.
ساخت وب‌سایت‌های فارسی/راست‌به‌چپ با dir="rtl"، lang="fa" و راه‌اندازی فونت‌های وزیرمتن/استعداد.
استفاده از CSS مدرن (متغیرهای سفارشی، clamp()، grid/flex، container queries، گلس‌مورفیزم، اسکلتون‌لودر، دارک‌مود با prefers-color-scheme / data-theme) و JS مدرن (async/await، fetch، IntersectionObserver، event delegation، ماژول‌ها، localStorage).

⬇️ Download / دانلود

All weights are attached to the GitHub Release v1.0.0:

Asset	Size	Purpose
`arion-alpha-1-Q4_K_M.gguf`	~397 MB	Recommended — 4-bit quant, runs on modest CPUs
`arion-alpha-1-Q8_0.gguf`	~639 MB	8-bit quant, higher fidelity
`arion-alpha-1-model.zip`	~1.0 GB	Full bundle: GGUF (Q4_K_M + Q8_0) + Modelfile + model card
`arion-alpha-1-source.zip`	~5.6 MB	Complete training source snapshot

SHA-256 checksums for every artifact: artifacts/checksums.sha256. The trained LoRA adapter (adapter_model.safetensors, 29 MB) lives in the repo at model/arion-alpha-1-lora/ — that is the actual trained delta.

تمام وزن‌ها به ریلیز v1.0.0 پیوست شده‌اند:

فایل	حجم	کاربرد
`arion-alpha-1-Q4_K_M.gguf`	~۳۹۷ MB	پیشنهادی — کوانت ۴-بیتی، مناسب CPUهای معمولی
`arion-alpha-1-Q8_0.gguf`	~۶۳۹ MB	کوانت ۸-بیتی، دقت بالاتر
`arion-alpha-1-model.zip`	~۱٫۰ GB	بسته‌ی کامل: GGUF (Q4_K_M + Q8_0) + Modelfile + کارت مدل
`arion-alpha-1-source.zip`	~۵٫۶ MB	اسنپ‌شات کامل سورس آموزش

چک‌سام SHA-256 همه‌ی خروجی‌ها: artifacts/checksums.sha256. آداپتور LoRAی آموزش‌دیده (adapter_model.safetensors، ۲۹ MB) در مسیر model/arion-alpha-1-lora/ داخل خود مخزن است — همان دلتای واقعیِ آموزش‌دیده.

🚀 Quickstart / اجرای سریع

Ollama

# 1) download the Q4_K_M gguf from the release page, then:
ollama create arion-alpha-1 -f Modelfile     # Modelfile is in ./ollama/
ollama run arion-alpha-1

Example session / نمونه گفتگو:

>>> Build a modern landing page hero with glassmorphism.
→ complete HTML/CSS in English …

>>> یک فرم تماس ریسپانسیو با اعتبارسنجی بساز
→ کد کامل به همراه توضیحات فارسی …

The bundled Modelfile sets temperature 0.7, top_p 0.9, repeat_penalty 1.05, Qwen3 chat template and a bilingual web-dev system prompt.

llama.cpp

llama-cli -m arion-alpha-1-Q4_K_M.gguf \
  -c 2048 --temp 0.7 --repeat-penalty 1.05 \
  -p '<|im_start|>user\nWrite a CSS flexbox cheat sheet.<|im_end|>\n<|im_start|>assistant\n'

Transformers + LoRA

from transformers import AutoModelForCausalLM, AutoTokenizer
from peft import PeftModel

base = AutoModelForCausalLM.from_pretrained("Qwen/Qwen3-0.6B", torch_dtype="bfloat16")
model = PeftModel.from_pretrained(base, "model/arion-alpha-1-lora")
tok   = AutoTokenizer.from_pretrained("model/arion-alpha-1-lora")

msgs = [{"role": "user", "content": "یک کارت محصول با CSS بساز"}]
print(tok.apply_chat_template(msgs, tokenize=False, add_generation_prompt=True))

اجرا با Ollama — خلاصه‌ی فارسی

۱. فایل arion-alpha-1-Q4_K_M.gguf را از صفحه‌ی ریلیز دانلود کنید و کنار Modelfile قرار دهید. ۲. سپس:

ollama create arion-alpha-1 -f Modelfile
ollama run arion-alpha-1

۳. حالا می‌توانید فارسی یا انگلیسی بپرسید؛ مثلاً: «یک صفحه‌ی فرود مدرن برای استارتاپ با HTML و CSS بساز» — پاسخ کامل همراه با کد دریافت می‌کنید.

فایل Modelfile شامل قالب گفتگوی Qwen3، پارامترهای نمونه‌برداری (temperature=0.7، top_p=0.9، repeat_penalty=1.05) و یک پرامپت سیستمی دوزبانه‌ی تخصصی توسعه‌ی وب است.

📁 Repository layout / ساختار مخزن

.
├── README.md                     # this file (EN + FA)
├── LICENSES.md                   # aggregated licenses (code, base model, datasets)
├── DATA_SOURCES.md               # dataset provenance & privacy notes
├── requirements.txt              # python deps for the training pipeline
├── configs/                      # train_config.json (+ smoke config)
├── training/
│   ├── prepare_dataset.py        # clean → dedupe → split (90/5/5)
│   └── train_sft.py              # LoRA SFT trainer (CPU, bf16, checkpoints)
├── scripts/                      # env setup, hardware probe, data gen, packaging
├── conversion/
│   ├── merge_lora.py             # LoRA → merged full weights
│   └── convert_gguf.sh           # HF → GGUF F16 → Q8_0 / Q4_K_M (needs llama.cpp)
├── inference/
│   ├── chat.py                   # CLI chat (transformers)
│   ├── generate_web.py           # one-shot web page generator
│   └── server.py                 # tiny OpenAI-compatible HTTP server
├── evaluation/
│   ├── run_eval.py               # automated eval (transformers backend)
│   ├── run_eval_llama.py         # automated eval (llama.cpp backend)
│   └── prompts_bilingual.json / prompts_webdev.json
├── datasets/
│   ├── generated/                # 9 curated/synthetic JSONL corpora
│   └── processed/                # cleaned train/val/test + stats
├── model/
│   └── arion-alpha-1-lora/       # ★ the trained LoRA adapter + tokenizer
├── ollama/
│   └── Modelfile                 # ready-to-use Ollama definition
├── docs/
│   ├── MODEL_CARD.md
│   └── TRAINING_REPORT.md
├── tests/                        # selftest.py, validate_datasets.py
└── artifacts/
    ├── FINAL_REPORT.md           # full training & delivery report
    ├── train_summary.json        # final metrics of the run
    ├── eval_report.json          # automated eval results
    ├── eval_history/             # eval snapshots over time
    ├── hardware_report.json      # auto-detected training hardware
    ├── checksums.sha256          # sha256 of every shipped artifact
    └── llama_smoke.txt           # llama.cpp smoke test transcript

The large binaries (GGUF files, model ZIP, merged weights) are not stored in git — download them from the release. conversion/ intentionally does not vendor llama.cpp; convert_gguf.sh clones/uses upstream llama.cpp.

🏋️ Training / آموزش

Real gradient-descent training, fully reproducible from this repo:

Metric	Value
Optimizer steps	256
Wall time	167.55 min (CPU-only, 2 threads)
Examples trained on	316
Tokens seen	166 128
Best validation loss	1.2707
Throughput	0.305 examples/s
Stop reason	`max_epochs_reached`
LoRA	r=12, α=24, bf16, grad-accum 8

Dataset (after cleaning — 58 exact duplicates and 7 language-mismatches removed): 638 accepted examples → splits 576 / 31 / 31 (train/val/test, 90/5/5). Train languages: en 320 · fa 219 · mixed 37 across 23 categories (html / css / js / build / debug / teaching / pro-patterns / bilingual-switching …). Provenance & licenses: DATA_SOURCES.md — 100 % locally authored/generated, secret-scanned.

آموزش — خلاصه‌ی فارسی

آموزش واقعی با گرادیان دیسنت انجام شده و از همین مخزن کاملاً قابل تکرار است:

سنجه	مقدار
گام‌های بهینه‌سازی	۲۵۶
زمان کل	۱۶۷٫۵۵ دقیقه (فقط CPU، ۲ رشته)
نمونه‌های آموزش‌دیده	۳۱۶
توکن‌های دیده‌شده	۱۶۶٬۱۲۸
بهترین خطای اعتبارسنجی	۱٫۲۷۰۷
سرعت	۰٫۳۰۵ نمونه بر ثانیه
دلیل توقف	رسیدن به سقف epochها

مجموعه‌داده (پس از پاک‌سازی — حذف ۵۸ تکرار دقیق و ۷ ناسازگاری زبانی): ۶۳۸ نمونه‌ی پذیرفته‌شده → تفکیک ۵۷۶ / ۳۱ / ۳۱ (آموزش/اعتبارسنجی/آزمون با نسبت ۹۰/۵/۵). زبان‌های بخش آموزش: انگلیسی ۳۲۰ · فارسی ۲۱۹ · ترکیبی ۳۷ در ۲۳ دسته‌ی موضوعی (html / css / js / ساخت صفحه / دیباگ / آموزش / الگوهای حرفه‌ای / جابه‌جایی دوزبانه و …). منشأ و مجوز داده‌ها: DATA_SOURCES.md — صددرصد تولید/نگارش محلی و اسکن‌شده از نظر اسرار.

🇮🇷 Persian phase (v1.1 — in progress)

The next training round makes ARION speak natural Persian as its primary objective (before any further HTML specialization):

Source dataset: ParsBench/PersianSyntheticQA (Apache-2.0, ~100k Persian QA conversations, 50 domains) + locally authored booster conversations (colloquial / multi-turn / language-switching / fa+en technical).
Measured preprocessing (training/prepare_persian_dataset.py, seed 42, fully reproducible):

Stage	Count
Raw source rows	99 994
Rejected (structure/quality/language)	16
Exact duplicates removed	1 756
Near-duplicates removed (MinHash-LSH, Jaccard ≥ 0.85)	33 928
Accepted after quality-ranked, domain-balanced selection	44 908
Split (deterministic, near-dup-group isolated)	40 382 train / 4 526 validation

Persian normalization with code/URL protection: Arabic Yeh→Persian Yeh, Arabic Kaf→Keh, teh-marbuta→heh, Arabic-Indic→Persian digits, bidi-junk removal — code fences, URLs, paths and English identifiers are never touched (training/persian_norm.py, 10/10 unit tests).
Language control: the corpus and the 239-prompt benchmark (evaluation/persian_fluency_benchmark.jsonl, 12 categories) explicitly train & test Persian in → Persian out, Arabic request → Arabic out, English request → English out, with function-word-based language ID (not mere character overlap).
Kaggle GPU training replaces the CPU pipeline: seq-len benchmark (2048/3072/4096), LoRA r=16 α=32 lr=1e-4 (unchanged from v1.0 for a controlled comparison), max_epochs 2, OOM-adaptive batch sizing, explicit no-CPU-failure guard.
BASE vs ARION: the same 239-prompt benchmark is run on the base model before training and on ARION (GGUF) after training. Definitive BASE result (measured, thinking disabled, CPU run): persian_response_rate 98.3%, language_compliance 97.9%, arabic_leakage 0.87%, repetition 28.0% (67/239 degenerate answers — the main quality problem ARION must fix), malformed 1.3%. Raw evidence: artifacts/persian/baseline_metrics.json + full responses.
Orchestration: training/kaggle_pipeline.py + .github/workflows/persian-kaggle.yml (Kaggle credentials only via KAGGLE_API_TOKEN secret — never committed).

فاز فارسی (نسخهٔ ۱٫۱ — در حال اجرا)

هدف فاز بعدی، فارسی روان و طبیعی است؛ قبل از هر تخصص‌دهی دیگری:

منبع داده: دیتاست ParsBench/PersianSyntheticQA (آپاچی ۲٫۰، حدود ۱۰۰ هزار گفت‌وگوی پرسش‌وپاسخ فارسی در ۵۰ حوزه) به‌همراه گفت‌وگوهای محاوره‌ای/چندنوبته/جابه‌جایی زبان که برای این پروژه نوشته شده است.
پیش‌پردازش اندازه‌گیری‌شده (بذر ۴۲، کاملاً قابل تکرار): از ۹۹٬۹۹۴ ردیف خام، ۳۳٬۹۲۸ شبه‌تکرار و ۱٬۷۵۶ تکرار دقیق حذف شد و ۴۴٬۹۰۸ نمونه با توازن دامنه‌ای پذیرفته شد؛ تفکیک قطعی ۴۰٬۳۸۲ آموزش / ۴٬۵۲۶ اعتبارسنجی بدون نشت شبه‌تکرارها.
نرمال‌سازی فارسی با محافظت از کد و URL (ی عربی→فارسی، ک عربی→کاف فارسی، ة→ه، ارقام عربی→فارسی، حذف نویسه‌های کنترلی) — ۱۰/۱۰ تست واحد.
کنترل زبان: مجموعهٔ ارزیابی ۲۳۹ پرامپتی در ۱۲ دسته؛ فارسی→فارسی، درخواست عربی→عربی، درخواست انگلیسی→انگلیسی؛ شناسایی زبان با واژه‌های نقش‌نما نه صرفاً هم‌پوشانی حروف.
آموزش روی GPU کاگل جایگزین CPU شد: بنچمارک طول توالی (۲۰۴۸/۳۰۷۲/۴۰۹۶)، LoRA r=16 α=32 با lr=1e-4 (بدون تغییر نسبت به نسخهٔ ۱٫۰ برای مقایسهٔ کنترل‌شده)، دو epoch، تنظیم خودکار batch در OOM.
مقایسهٔ BASE و ARION: همین بنچمارک قبل و بعد از آموزش روی مدل پایه و مدل نهایی اجرا می‌شود. نتیجهٔ قطعی BASE (اندازه‌گیری‌شده): نرخ پاسخ فارسی ۹۸٫۳٪، انطباق زبان ۹۷٫۹٪، نشتی عربی ۰٫۸۷٪، و تکرار ۲۸٪ (۶۷ پاسخ واژگون از ۲۳۹ — مشکل اصلی کیفیت که آموزش باید حل کند). شواهد خام در artifacts/persian/.
مدارک کلیدی: KAGGLE_API_TOKEN فقط به‌صورت GitHub Secret — هرگز در کد کامیت نمی‌شود.

📊 Evaluation / ارزیابی

Automated eval (20 prompts per set, llama.cpp backend on Q4_K_M) from artifacts/eval_report.json:

Metric	webdev	bilingual
Code production rate	0.80	0.80
Instruction following	0.90	1.00
Relevance rate	1.00	0.90
Syntax-valid rate (of checked)	1.00	0.94
Language correct	—	0.75
Mean repetition	0.034	0.09

Additional snapshots over time: artifacts/eval_history/.

ارزیابی خودکار (۲۰ پرامپت در هر مجموعه، بک‌اند llama.cpp روی Q4_K_M) طبق artifacts/eval_report.json:

سنجه	توسعه‌ی وب	دوزبانه
نرخ تولید کد	۰٫۸۰	۰٫۸۰
پیروی از دستور	۰٫۹۰	۱٫۰۰
نرخ ارتباط‌مندی	۱٫۰۰	۰٫۹۰
نرخ سینتکس معتبر	۱٫۰۰	۰٫۹۴
صحت زبان پاسخ	—	۰٫۷۵
میانگین تکرار	۰٫۰۳۴	۰٫۰۹

گزارش‌های دوره‌ای دیگر: artifacts/eval_history/.

⚠️ Honest limitations / محدودیت‌های واقعی

CPU-only LoRA SFT (256 steps over a few hundred curated/synthetic examples): strong style & format adaptation on top of Qwen3-0.6B's pretrained knowledge — not a full pretraining. Treat it as a focused domain-tuning proof, in the ~0.6B class.
Training context capped at ~224 tokens by the 4 GB RAM ceiling; long project answers were head-truncated during training (code fences auto-closed).
Q4_K_M quantization trades some accuracy for a 3.4× smaller footprint (Q8_0 included).
Domain-bound by design: politely stays in web development; not a general-purpose assistant.
Inference speed on the training-class machine is ~0.8–1 tok/s; any modern laptop/desktop is faster.

۱. فاین‌تیون LoRA فقط روی CPU (۲۵۶ گام روی چند صد نمونه‌ی منتخب/سنتزشده): تطبیق قوی سبک و قالبِ پاسخ روی دانش از پیش‌آموخته‌ی Qwen3-0.6B — پیش‌آموزش کامل نیست؛ یک اثبات مفهومِ تیون دامنه‌ای در کلاس ~۰٫۶ میلیارد پارامتر بدانید. ۲. سقف طول زمینه در آموزش ~۲۲۴ توکن بود (محدودیت ۴ گیگ رم)؛ پاسخ‌های بلندِ پروژه‌محور در آموزش سربریده می‌شدند (بلاک‌های کد به‌صورت خودکار بسته می‌شدند). ۳. کوانتیزه‌سازی Q4_K_M برای ۳٫۴ برابر کوچک‌شدن حجم، اندکی دقت را کم می‌کند (نسخه‌ی Q8_0 هم موجود است). ۴. محدود به حوزه‌ی توسعه‌ی وب است و مؤدبانه از خارج آن پرهیز می‌کند؛ دستیار همه‌منظوره نیست. ۵. سرعت استنتاج روی ماشینِ هم‌کلاسِ ماشینِ آموزش حدود ۰٫۸ تا ۱ توکن بر ثانیه است؛ روی لپ‌تاپ/دسکتاپ‌های امروزی به‌مراتب سریع‌تر خواهد بود.

🛠 Rebuild from source / بازسازی از منبع

python -m venv .venv && source .venv/bin/activate
pip install -r requirements.txt

# 1) probe hardware → writes configs used by the trainer
python scripts/hardware_probe.py

# 2) build the dataset (clean → dedupe → split)
python training/prepare_dataset.py

# 3) LoRA SFT (CPU, time-budgeted, checkpointed)
python training/train_sft.py --config configs/train_config.json

# 4) merge + convert to GGUF (needs a llama.cpp checkout; script guides you)
python conversion/merge_lora.py
bash conversion/convert_gguf.sh

# 5) evaluate
python evaluation/run_eval_llama.py --gguf model/gguf/arion-alpha-1-Q4_K_M.gguf

# 6) package for Ollama
cd ollama && cp ../model/gguf/arion-alpha-1-Q4_K_M.gguf . && ollama create arion-alpha-1 -f Modelfile

تمام مراحل (پاک‌سازی داده، آموزش LoRA، ادغام وزن‌ها، تبدیل GGUF، ارزیابی و بسته‌بندی) با همین دستورات از سورس موجود در مخزن قابل تکرار است؛ جزئیات کامل در artifacts/FINAL_REPORT.md و docs/TRAINING_REPORT.md.

📜 License / مجوز

Code & training pipeline: Apache-2.0
ARION weights (LoRA + merged + GGUF): Apache-2.0
Datasets: 100 % locally authored/synthetic — per-source licenses in LICENSES.md

کد و پایپ‌لاین، وزن‌های مدل و مدل پایه همگی تحت مجوز Apache-2.0 منتشر می‌شوند؛ مجوز تفصیلی هر منبع داده در LICENSES.md آمده است.

ARION ALPHA 1 — real weights, real training, bilingual web-dev AI. آریون آلفا ۱ — وزن‌های واقعی، آموزش واقعی، هوش مصنوعی دوزبانه‌ی توسعه‌ی وب.

Made with 🧡 on a 4 GB RAM CPU box — no GPU was harmed (there wasn't one).

Navigation Menu

Repository files navigation

🦁 ARION ALPHA 1

📑 Table of Contents / فهرست مطالب

🔑 Key facts / مشخصات کلیدی

What it can do / چه کارهایی از آن برمی‌آید

⬇️ Download / دانلود

🚀 Quickstart / اجرای سریع

Ollama

llama.cpp

Transformers + LoRA

اجرا با Ollama — خلاصه‌ی فارسی

📁 Repository layout / ساختار مخزن

🏋️ Training / آموزش

آموزش — خلاصه‌ی فارسی

🇮🇷 Persian phase (v1.1 — in progress)

فاز فارسی (نسخهٔ ۱٫۱ — در حال اجرا)

📊 Evaluation / ارزیابی

⚠️ Honest limitations / محدودیت‌های واقعی

🛠 Rebuild from source / بازسازی از منبع

📜 License / مجوز

About

Releases

Packages

Contributors

Languages

Name		Name	Last commit message	Last commit date
.github/workflows		.github/workflows
artifacts		artifacts
configs		configs
conversion		conversion
dashboard		dashboard
datasets		datasets
docs		docs
evaluation		evaluation
inference		inference
kaggle		kaggle
model/arion-alpha-1-lora		model/arion-alpha-1-lora
ollama		ollama
scripts		scripts
tests		tests
training		training
.gitattributes		.gitattributes
.gitignore		.gitignore
DATA_SOURCES.md		DATA_SOURCES.md
LICENSE		LICENSE
LICENSES.md		LICENSES.md
README.md		README.md
bun.lock		bun.lock
package.json		package.json
requirements.txt		requirements.txt
worklog.md		worklog.md

Latest commit

History

Folders and files

Repository files navigation

🦁 ARION ALPHA 1

📑 Table of Contents / فهرست مطالب

🔑 Key facts / مشخصات کلیدی

What it can do / چه کارهایی از آن برمی‌آید

⬇️ Download / دانلود

🚀 Quickstart / اجرای سریع

Ollama

llama.cpp

Transformers + LoRA

اجرا با Ollama — خلاصه‌ی فارسی

📁 Repository layout / ساختار مخزن

🏋️ Training / آموزش

آموزش — خلاصه‌ی فارسی

🇮🇷 Persian phase (v1.1 — in progress)

فاز فارسی (نسخهٔ ۱٫۱ — در حال اجرا)

📊 Evaluation / ارزیابی

⚠️ Honest limitations / محدودیت‌های واقعی

🛠 Rebuild from source / بازسازی از منبع

📜 License / مجوز

About

Topics

Resources

Stars

Watchers

Forks

Releases

Packages

Contributors

Languages