GLM-5.3 is live. Run Z.ai's latest model on Friendli Model APIs. Try it today ➜
Fibogacci
Available on FriendliAI
Run this model inference on single tenant GPU with unmatched speed and reliability at scale.
Model Details
Model Provider
Fibogacci
Model Tree
speakleash/Bielik-1.5B-v3.0-Instruct
Input Modalities
Output Modalities
Supported Functionality
Muszka Instruct 1.5B v1.0 is a small Polish chat and instruction model (1.5B parameters, 1.6B with embeddings), built on speakleash/Bielik-1.5B-v3.0-Instruct. It is tuned for style and instruction following: simple, natural Polish, short answers that respect the requested length and form, and no unnecessary Markdown or boilerplate.
It is meant for places where a big model does not fit: a Raspberry Pi, a laptop CPU, a browser, an offline device. Facts are not its strength: for knowledge, pair it with retrieval (RAG), for example with the rest of the Muszka family.
On our set of 100 Polish instructions (e-mails, summaries, explaining to a child, simplifying text, creative writing, formatting, conversation), with automatic checks:
| Bielik 1.5B v3.0 Instruct | Muszka Instruct 1.5B v1.0 | |
|---|---|---|
| Follows the requested length and form | 60% | 79% |
| Unfinished answers | 7% | 0% |
| Unnecessary Markdown (bold, headers, lists) | 25% | 0% |
| Boilerplate opening ("Oto…", "Here is…") | 20% | 2% |
Biggest gains: summaries (60% → 100% within the requested length) and explanations for children (73% → 93%). Still weaker: strict word limits, formal e-mails.
Muszka means "little fly" in Polish, after the fruit fly (Drosophila melanogaster), whose tiny nervous system shows how much a compact network can do with very little energy. The Muszka family follows the same idea: small models that run on ordinary hardware. Part of the muszkaowocowa.pl initiative; model page: muszkaowocowa.pl/en/muszka-instruct.
Muszka family:
model.safetensors: full weights (bf16) for transformers, further fine-tuning and research.python
from transformers import AutoTokenizer, AutoModelForCausalLM name = "Fibogacci/muszka-instruct-1.5b-v1.0"tokenizer = AutoTokenizer.from_pretrained(name)model = AutoModelForCausalLM.from_pretrained(name, dtype="auto", device_map="auto") messages = [{"role": "user", "content": "Wyjaśnij dziecku w dwóch zdaniach, dlaczego pada deszcz."}]inputs = tokenizer.apply_chat_template(messages, add_generation_prompt=True, return_tensors="pt", return_dict=True).to(model.device)out = model.generate(**inputs, max_new_tokens=300, do_sample=True, temperature=0.2, top_p=0.9, repetition_penalty=1.05)print(tokenizer.decode(out[0][inputs["input_ids"].shape[1]:], skip_special_tokens=True))bash
llama-cli -hf Fibogacci/muszka-instruct-1.5b-v1.0-GGUF:Q4_K_M -cnv --temp 0.2 --repeat-penalty 1.05ollama run hf.co/Fibogacci/muszka-instruct-1.5b-v1.0-GGUF:Q4_K_MRecommended settings: temperature 0.2–0.7, top-p 0.9, repetition penalty 1.05. A system
prompt is optional. Context length: 8,192 tokens. Chat format: ChatML (<|im_start|> / <|im_end|>), included in the
tokenizer and the GGUF files.
Q4_K_M in llama.cpp on a Raspberry Pi 5 / Pi 500 generates about 12 tokens per second
with 2 threads (-t 2; more threads are slower, because the Pi's memory bandwidth drops),
which is comfortable reading speed. Please use the K-quants provided here: on the
Pi 5's Cortex-A76 cores, llama.cpp's Q4_0 / Q8_0 paths produce garbage for this model family.
Muszka Instruct builds on the open work of the Polish AI community:
Muszka is an independent project, not an official SpeakLeash model.
License: Apache 2.0, the same as the base model.
Muszka Instruct 1.5B v1.0 to mały polski model do rozmowy i wykonywania poleceń (1,5 mld parametrów, 1,6 mld ze słownikiem), zbudowany na speakleash/Bielik-1.5B-v3.0-Instruct. Został dostrojony pod styl i trzymanie się poleceń: prosta, naturalna polszczyzna, krótkie odpowiedzi w zadanej długości i formie, bez zbędnego Markdownu i formułek.
Jest przeznaczony tam, gdzie duży model się nie mieści: na Raspberry Pi, na zwykły procesor laptopa, do przeglądarki albo na urządzenie offline. Fakty nie są jego mocną stroną. Wiedzę lepiej dostarczyć z wyszukiwania (RAG), na przykład razem z innymi modelami z rodziny Muszka.
Na naszym zestawie 100 polskich poleceń (e-maile, streszczenia, wyjaśnianie dziecku, upraszczanie tekstu, twórcze pisanie, formatowanie, rozmowa), z automatycznym sprawdzaniem:
| Bielik 1.5B v3.0 Instruct | Muszka Instruct 1.5B v1.0 | |
|---|---|---|
| Trzyma się zadanej długości i formy | 60% | 79% |
| Urwane odpowiedzi | 7% | 0% |
| Zbędny Markdown (pogrubienia, nagłówki, listy) | 25% | 0% |
| Formułka na początku („Oto…”) | 20% | 2% |
Największa poprawa: streszczenia (60% → 100% w zadanej długości) i wyjaśnienia dla dzieci (73% → 93%). Nadal słabiej: ścisłe limity słów, formalne e-maile.
Nazwa nawiązuje do muszki owocowej (Drosophila melanogaster). Jej maleńki układ nerwowy pokazuje, ile potrafi niewielka sieć przy bardzo małym zużyciu energii. Rodzina Muszka idzie tym tropem: małe modele, które działają na zwykłym sprzęcie. Projekt powstaje w ramach inicjatywy muszkaowocowa.pl; strona modelu: muszkaowocowa.pl/muszka-instruct.
Rodzina Muszka:
model.safetensors: pełne wagi (bf16) do transformers, dalszego dotrenowania i badań.python
from transformers import AutoTokenizer, AutoModelForCausalLM name = "Fibogacci/muszka-instruct-1.5b-v1.0"tokenizer = AutoTokenizer.from_pretrained(name)model = AutoModelForCausalLM.from_pretrained(name, dtype="auto", device_map="auto") messages = [{"role": "user", "content": "Wyjaśnij dziecku w dwóch zdaniach, dlaczego pada deszcz."}]inputs = tokenizer.apply_chat_template(messages, add_generation_prompt=True, return_tensors="pt", return_dict=True).to(model.device)out = model.generate(**inputs, max_new_tokens=300, do_sample=True, temperature=0.2, top_p=0.9, repetition_penalty=1.05)print(tokenizer.decode(out[0][inputs["input_ids"].shape[1]:], skip_special_tokens=True))bash
llama-cli -hf Fibogacci/muszka-instruct-1.5b-v1.0-GGUF:Q4_K_M -cnv --temp 0.2 --repeat-penalty 1.05ollama run hf.co/Fibogacci/muszka-instruct-1.5b-v1.0-GGUF:Q4_K_MZalecane ustawienia: temperatura 0,2–0,7, top-p 0,9, kara za powtórzenia 1,05. Prompt
systemowy jest opcjonalny. Długość kontekstu: 8 192 tokeny. Format czatu: ChatML (<|im_start|> / <|im_end|>), zapisany w
tokenizerze i w plikach GGUF.
Q4_K_M w llama.cpp na Raspberry Pi 5 / Pi 500 generuje około 12 tokenów na sekundę na
2 wątkach (-t 2; więcej wątków jest wolniej, bo spada przepustowość pamięci Pi), czyli
wygodnie do czytania. Używaj udostępnionych tu kwantów K: na rdzeniach Cortex-A76 w Pi 5
ścieżki Q4_0 / Q8_0 w llama.cpp dają dla tej rodziny modeli nieczytelny tekst.
Muszka Instruct powstała na bazie otwartej pracy polskiej społeczności AI:
Muszka to niezależny projekt, a nie oficjalny model SpeakLeash.
Licencja: Apache 2.0, tak jak model bazowy.
from transformers import AutoTokenizer, AutoModelForCausalLM name = "Fibogacci/muszka-instruct-1.5b-v1.0"tokenizer = AutoTokenizer.from_pretrained(name)model = AutoModelForCausalLM.from_pretrained(name, dtype="auto", device_map="auto") messages = [{"role": "user", "content": "Wyjaśnij dziecku w dwóch zdaniach, dlaczego pada deszcz."}]inputs = tokenizer.apply_chat_template(messages, add_generation_prompt=True, return_tensors="pt", return_dict=True).to(model.device)out = model.generate(**inputs, max_new_tokens=300, do_sample=True, temperature=0.2, top_p=0.9, repetition_penalty=1.05)print(tokenizer.decode(out[0][inputs["input_ids"].shape[1]:], skip_special_tokens=True))llama-cli -hf Fibogacci/muszka-instruct-1.5b-v1.0-GGUF:Q4_K_M -cnv --temp 0.2 --repeat-penalty 1.05ollama run hf.co/Fibogacci/muszka-instruct-1.5b-v1.0-GGUF:Q4_K_Mfrom transformers import AutoTokenizer, AutoModelForCausalLM name = "Fibogacci/muszka-instruct-1.5b-v1.0"tokenizer = AutoTokenizer.from_pretrained(name)model = AutoModelForCausalLM.from_pretrained(name, dtype="auto", device_map="auto") messages = [{"role": "user", "content": "Wyjaśnij dziecku w dwóch zdaniach, dlaczego pada deszcz."}]inputs = tokenizer.apply_chat_template(messages, add_generation_prompt=True, return_tensors="pt", return_dict=True).to(model.device)out = model.generate(**inputs, max_new_tokens=300, do_sample=True, temperature=0.2, top_p=0.9, repetition_penalty=1.05)print(tokenizer.decode(out[0][inputs["input_ids"].shape[1]:], skip_special_tokens=True))llama-cli -hf Fibogacci/muszka-instruct-1.5b-v1.0-GGUF:Q4_K_M -cnv --temp 0.2 --repeat-penalty 1.05ollama run hf.co/Fibogacci/muszka-instruct-1.5b-v1.0-GGUF:Q4_K_M