/01
PROMPT_RECIPE
提示词与参数
保存 System Prompt、Chat Template、采样参数和工具调用约定。一个配置，也值得拥有可追溯的版本。
SPEC::LIVEREV_01
temperature0.65
top_p0.90
repeat_penalty1.08
OPEN MODEL RECIPES / NODE 014B
Small
Models.
Deep Work.
14B 以内，把一个具体任务调得更深。
发现可复现的 Prompt、LoRA 与量化配方，比较设备内存，下载后在你自己的机器上运行。
TRENDING::
RECIPE_SIGNAL01
QLoRA / VERIFIED
LOCAL_MEMORY
8.5 GBQ4_K_M
01 / RECIPE SIGNALS
Not a model dump.
A reproducible system.
平台保存的不只是文件，也保存它为何存在、如何复现，以及适合什么设备。
/02
ADAPTER_DELTA
LoRA / QLoRA
只保存增量权重与训练配方。明确基础模型和 commit，不必重复托管几十 GB 的完整权重。
SPEC::LIVEREV_02
base_model14B
adapter328 MB
formatSAFETENSORS
/03
LOCAL_PACKAGE
量化与本地部署
按内存和设备筛选 GGUF、AWQ、GPTQ，直接获得 Ollama、llama.cpp 或 vLLM 的启动方式。
SPEC::LIVEREV_03
Q4_K_MLIGHT
Q5_K_MBALANCED
Q8_0PRECISE
02 / SMALL MODEL MAP
Choose by device.
Not by hype.
内存为常见 Q4 量化文件的近似参考；实际占用取决于上下文长度、运行框架和设备。
IDMODELPARAMSQ4 MEMORYBEST ATSTATE
QWEN
Qwen2.5-0.5B
PARAM0.5BQ4≈ 0.5 GB
嵌入式 / 简单分类EDGESMOLLM
SmolLM2-1.7B
PARAM1.7BQ4≈ 1.3 GB
轻量助手 / 边缘设备EDGEGEMMA
Gemma 2 2B
PARAM2BQ4≈ 1.5 GB
摘要 / 文本处理LIGHTPHI
Phi-3.5 Mini
PARAM3.8BQ4≈ 2.8 GB
工具调用 / 结构化任务LIGHTPARAM7BQ4≈ 4.8 GB
中文领域任务MIDDEEPSEEK
DeepSeek-R1-Distill-7B
PARAM7BQ4≈ 4.8 GB
推理 / 分析MIDLLAMA
Llama 3.2 8B
PARAM8BQ4≈ 5.4 GB
通用指令 / 英文MIDGEMMA
Gemma 2 9B
PARAM9BQ4≈ 6.2 GB
写作 / 问答DENSELLAMA
Llama 3.1 13B
PARAM13BQ4≈ 7.7 GB
高质量通用任务DENSEQWEN
Qwen2.5-14B
PARAM14BQ4≈ 8.5 GB
中文专业领域MAXPHI
Phi-4 14B
PARAM14BQ4≈ 8.5 GB
代码 / 逻辑任务MAXDEEPSEEK
DeepSeek-R1-Distill-14B
PARAM14BQ4≈ 8.5 GB
复杂推理MAX03 / EXECUTION PATH
Task first.
Own the runtime.
GetAI Hub 不提供云端推理。平台帮助你找到低门槛、透明、可下载的专业模型方案。
/01
从任务开始
先明确分类、抽取、写作、客服或垂直问答，再选择足够完成目标的基础模型。
TASK_FIRST
/02
比较真实配方
按数据集、参数、设备和复现状态，对照 Prompt、LoRA 与量化产物的完整上下文。
COMPARE
/03
下载到本地
拿走增量权重与 recipe.yaml，用 Ollama、llama.cpp 或训练框架在自己的机器复现。
OWN_THE_RUNTIME
FOUNDING_RECIPES / OPEN
Your expertise
is the first model.
整理基础模型、任务、参数、产物和复现步骤。一个真正可用的垂直模型，可以从你的经验开始。
04 / FAQ LOG
Read the
fine print.
文件来源、验证状态和运行边界，必须先于下载说清楚。
这个规模更容易在个人电脑、消费级显卡和低成本服务器上使用，也更适合围绕一个明确任务持续调教。平台追求的是任务适配度，而不是参数规模。
不会。平台专注于调教方案、增量权重、量化文件和复现说明。你可以在自己的电脑、服务器或任意第三方算力上运行。
可以。一个完整的 System Prompt、Chat Template、生成参数和适用模型，就是一种有价值的调教配方，同样可以被版本化和复现。
LoRA 只保存相对基础模型的增量权重，体积更小；Safetensors 不依赖 Pickle 反序列化执行代码，更适合公开分发。
页面会明确区分作者自报、社区复现和平台验证。平台初期没有 GPU，不会把未实际运行的结果包装成官方评测。
可以收录官方来源与授权镜像，但平台会优先托管配方、LoRA 和精选量化产物，避免重复保存基础模型并遵守各自许可证。