Instructions to use Finisha-F-scratch/Gheya-Nacid with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use Finisha-F-scratch/Gheya-Nacid with Transformers:

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

pipe = pipeline("text-generation", model="Finisha-F-scratch/Gheya-Nacid")

# Load model directly
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("Finisha-F-scratch/Gheya-Nacid")
model = AutoModelForCausalLM.from_pretrained("Finisha-F-scratch/Gheya-Nacid")

Notebooks
Google Colab
Kaggle
Local Apps Settings

vLLM

How to use Finisha-F-scratch/Gheya-Nacid with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "Finisha-F-scratch/Gheya-Nacid"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "Finisha-F-scratch/Gheya-Nacid",
		"prompt": "Once upon a time,",
		"max_tokens": 512,
		"temperature": 0.5
	}'

Use Docker

docker model run hf.co/Finisha-F-scratch/Gheya-Nacid

SGLang

How to use Finisha-F-scratch/Gheya-Nacid 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 "Finisha-F-scratch/Gheya-Nacid" \
    --host 0.0.0.0 \
    --port 30000
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:30000/v1/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "Finisha-F-scratch/Gheya-Nacid",
		"prompt": "Once upon a time,",
		"max_tokens": 512,
		"temperature": 0.5
	}'

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 "Finisha-F-scratch/Gheya-Nacid" \
        --host 0.0.0.0 \
        --port 30000
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:30000/v1/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "Finisha-F-scratch/Gheya-Nacid",
		"prompt": "Once upon a time,",
		"max_tokens": 512,
		"temperature": 0.5
	}'

Docker Model Runner
How to use Finisha-F-scratch/Gheya-Nacid with Docker Model Runner:
```
docker model run hf.co/Finisha-F-scratch/Gheya-Nacid
```
Browse Quantizations to use this model in llama.cpp, Ollama, LM Studio, or any compatible app.

📖 Documentation Technique : Gheya-Nacid

🌟 Aperçu du Modèle

Gheya-Nacid est un Small Language Model (SLM) de fondation, conçu pour l'apprentissage linguistique généraliste du français. Développé par Clemylia (LLm-Clem), ce modèle est un pilier pour la création de SLM affinés dans l'écosystème LES-IA-ETOILES.

Attribut	Valeur	Rôle dans la Conception
Créatrice	Clemylia (LLm-Clem)	Développeuse spécialisée en SLM from scratch.
Taille	(153M)	Modèle Gheya
Statut	Pré-entraîné (Base Model)	Modèle d'acquisition linguistique de base non conventionnelle destiné à être Fine-Tuné.

📚 Base d'Entraînement : La Dataset Nacid

La caractéristique la plus distinctive de Gheya-Nacid est son corpus de pré-entraînement :

Corpus Principal : La Dataset Nacid.
Nature du Corpus : Dataset française à sujet généraliste, créée par Clemylia.
Objectif Linguistique : Gheya-Nacid est entraîné pour acquérir la compréhension de base de la langue, et de la synthaxe.
Rôle Écosystème : Ce modèle sert de base linguistique solide pour l'affinage (Fine-Tuning) vers des tâches spécifiques (comme l'éthique, la poésie, ou le coding), sans être limité par une spécialisation initiale.

🎯 Utilisation Recommandée

Point de Départ (Checkpoint) : Gheya-Nacid est la base idéale pour tout développeur souhaitant créer un SLM français spécialisé (par exemple, pour concurrencer Charlotte-Amity ou Maya-152m-Flowers sur un nouveau thème).
Test de Robustesse : Le modèle peut être utilisé pour tester l'efficacité de nouvelles techniques de Fine-Tuning ou d'alignement sur un modèle généraliste.

Remarque : En tant que modèle pré-entraîné généraliste, Gheya-Nacid peut être sujet à des hallucinations factuelles lorsqu'il est interrogé en dehors de son domaine linguistique, car il n'a pas été affiné pour la véracité.

Downloads last month: 1

Safetensors

Model size

0.2B params

Tensor type

F32

Model tree for Finisha-F-scratch/Gheya-Nacid

Finetunes

3 models

Quantizations

2 models

Space using Finisha-F-scratch/Gheya-Nacid 1

Collection including Finisha-F-scratch/Gheya-Nacid

From scratch

Collection

Finisha SLM ✨ • 87 items • Updated Mar 23