Instructions to use David-Evora/infofrota-text2sql-lora with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use David-Evora/infofrota-text2sql-lora with PEFT:

from peft import PeftModel
from transformers import AutoModelForCausalLM

base_model = AutoModelForCausalLM.from_pretrained("unsloth/Llama-3.1-8B-Instruct")
model = PeftModel.from_pretrained(base_model, "David-Evora/infofrota-text2sql-lora")

Transformers

How to use David-Evora/infofrota-text2sql-lora with Transformers:

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

pipe = pipeline("text-generation", model="David-Evora/infofrota-text2sql-lora")
messages = [
    {"role": "user", "content": "Who are you?"},
]
pipe(messages)

# pip install -U transformers accelerate
# Load model directly
from transformers import AutoModel
model = AutoModel.from_pretrained("David-Evora/infofrota-text2sql-lora", device_map="auto")

Notebooks
Google Colab
Kaggle
Local Apps Settings

vLLM

How to use David-Evora/infofrota-text2sql-lora with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "David-Evora/infofrota-text2sql-lora"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "David-Evora/infofrota-text2sql-lora",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker

docker model run hf.co/David-Evora/infofrota-text2sql-lora

SGLang

How to use David-Evora/infofrota-text2sql-lora 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 "David-Evora/infofrota-text2sql-lora" \
    --host 0.0.0.0 \
    --port 30000
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:30000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "David-Evora/infofrota-text2sql-lora",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

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 "David-Evora/infofrota-text2sql-lora" \
        --host 0.0.0.0 \
        --port 30000
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:30000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "David-Evora/infofrota-text2sql-lora",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Docker Model Runner
How to use David-Evora/infofrota-text2sql-lora with Docker Model Runner:
```
docker model run hf.co/David-Evora/infofrota-text2sql-lora
```

infofrota-text2sql-lora / README.md

David-Evora

Update README.md

e42524a verified 4 days ago

preview code

Raw History Blame Contribute Delete

3.27 kB

---
base_model: unsloth/Llama-3.1-8B-Instruct
library_name: peft
pipeline_tag: text-generation
language:
- pt
license: llama3.1
tags:
- base_model:adapter:unsloth/Llama-3.1-8B-Instruct
- lora
- qlora
- text-to-sql
- transformers
---
# InfoFrota Text-to-SQL (adaptador LoRA para Llama 3.1 8B Instruct)

Adaptador LoRA que ensina o Llama 3.1 8B Instruct a transformar perguntas em português em consultas SQLite para o banco **sintético** do projeto InfoFrota (ocupação de ônibus, alertas de lotação, linhas e paradas).

- Código, dados sintéticos e benchmark: https://github.com/David-Evora/InfoFrota
- Kaggle Notebook: https://www.kaggle.com/code/davidevora/notebook-portifolio-infofrota
- Projeto independente, sem endosso nem parceria com órgãos ou operadoras de transporte. Só os rótulos das linhas vêm de um CSV aberto (CC0) da CETURB-ES.

## Variante

Este repositório contém o adaptador treinado **sem contexto recuperado** (resultado definido antes de qualquer ajuste).

## Uso pretendido e limites

Pesquisa e demonstração de Text-to-SQL em português sobre o esquema do InfoFrota. **Não use em produção** nem para decisões operacionais: o modelo foi treinado e medido apenas em dados simulados. O SQL gerado deve sempre passar por uma guarda somente leitura (o repositório traz uma, em três camadas).

## Treino

- Base: `unsloth/Llama-3.1-8B-Instruct` (mesmos pesos do Llama 3.1 8B Instruct), quantização 4 bits nf4, QLoRA.
- LoRA: r=16, alpha=32, dropout 0,05, nos módulos q, k, v, o, gate, up e down.
- 3 épocas, lote efetivo 16, taxa de aprendizado 2e-4 com cosseno. GPU T4 no Kaggle.
- Dados: 738 exemplos construídos por famílias de modelos de pergunta e SQL (679 treino, 59 validação), com 8% de recusas para perguntas fora do domínio ou pedidos de escrita.
- Filtros contra vazamento do teste (similaridade de Jaccard, esqueleto de SQL, famílias próximas excluídas): ver `training/REPORT.md` no repositório.

## Avaliação

Benchmark congelado v2.1 com 56 perguntas, zero-shot, critério "o resultado contém o esperado".

| Condição | Acertos | Acurácia |
|---|---:|---:|
| Base, prompt compacto | 19/56 | 33,9% |
| Este adaptador, prompt compacto | 36/56 | 64,3% |

Leitura honesta dos números:
- Com 56 perguntas, diferenças de um ou dois acertos são ruído.
- O nível difícil continua baixo.
- A pergunta D06 tem defeito conhecido na referência; a pontuação publicada não foi ajustada depois de ver o resultado.
- Os números vêm de dados sintéticos e não medem desempenho em operação real.

## Como carregar

```python
from transformers import AutoModelForCausalLM, AutoTokenizer, BitsAndBytesConfig
from peft import PeftModel
base = "unsloth/Llama-3.1-8B-Instruct"
tok = AutoTokenizer.from_pretrained(base)
modelo = AutoModelForCausalLM.from_pretrained(
    base, device_map="auto",
    quantization_config=BitsAndBytesConfig(load_in_4bit=True, bnb_4bit_quant_type="nf4"))
modelo = PeftModel.from_pretrained(modelo, "David-Evora/infofrota-text2sql-lora")
```

O prompt esperado está em `infofrota_ai/prompts.py` do repositório (modo `compacto`).

## Licença

Adaptador derivado do Llama 3.1: use sob a Llama 3.1 Community License. Built with Llama.

### Framework versions

- PEFT 0.21.2

	---
	base_model: unsloth/Llama-3.1-8B-Instruct
	library_name: peft
	pipeline_tag: text-generation
	language:
	- pt
	license: llama3.1
	tags:
	- base_model:adapter:unsloth/Llama-3.1-8B-Instruct
	- lora
	- qlora
	- text-to-sql
	- transformers
	---

	# InfoFrota Text-to-SQL (adaptador LoRA para Llama 3.1 8B Instruct)

	Adaptador LoRA que ensina o Llama 3.1 8B Instruct a transformar perguntas em português em consultas SQLite para o banco sintético do projeto InfoFrota (ocupação de ônibus, alertas de lotação, linhas e paradas).

	- Código, dados sintéticos e benchmark: https://github.com/David-Evora/InfoFrota
	- Kaggle Notebook: https://www.kaggle.com/code/davidevora/notebook-portifolio-infofrota
	- Projeto independente, sem endosso nem parceria com órgãos ou operadoras de transporte. Só os rótulos das linhas vêm de um CSV aberto (CC0) da CETURB-ES.

	## Variante

	Este repositório contém o adaptador treinado sem contexto recuperado (resultado definido antes de qualquer ajuste).

	## Uso pretendido e limites

	Pesquisa e demonstração de Text-to-SQL em português sobre o esquema do InfoFrota. Não use em produção nem para decisões operacionais: o modelo foi treinado e medido apenas em dados simulados. O SQL gerado deve sempre passar por uma guarda somente leitura (o repositório traz uma, em três camadas).

	## Treino

	- Base: `unsloth/Llama-3.1-8B-Instruct` (mesmos pesos do Llama 3.1 8B Instruct), quantização 4 bits nf4, QLoRA.
	- LoRA: r=16, alpha=32, dropout 0,05, nos módulos q, k, v, o, gate, up e down.
	- 3 épocas, lote efetivo 16, taxa de aprendizado 2e-4 com cosseno. GPU T4 no Kaggle.
	- Dados: 738 exemplos construídos por famílias de modelos de pergunta e SQL (679 treino, 59 validação), com 8% de recusas para perguntas fora do domínio ou pedidos de escrita.
	- Filtros contra vazamento do teste (similaridade de Jaccard, esqueleto de SQL, famílias próximas excluídas): ver `training/REPORT.md` no repositório.

	## Avaliação

	Benchmark congelado v2.1 com 56 perguntas, zero-shot, critério "o resultado contém o esperado".

	\| Condição \| Acertos \| Acurácia \|
	\|---\|---:\|---:\|
	\| Base, prompt compacto \| 19/56 \| 33,9% \|
	\| Este adaptador, prompt compacto \| 36/56 \| 64,3% \|

	Leitura honesta dos números:
	- Com 56 perguntas, diferenças de um ou dois acertos são ruído.
	- O nível difícil continua baixo.
	- A pergunta D06 tem defeito conhecido na referência; a pontuação publicada não foi ajustada depois de ver o resultado.
	- Os números vêm de dados sintéticos e não medem desempenho em operação real.

	## Como carregar

	```python
	from transformers import AutoModelForCausalLM, AutoTokenizer, BitsAndBytesConfig
	from peft import PeftModel

	base = "unsloth/Llama-3.1-8B-Instruct"
	tok = AutoTokenizer.from_pretrained(base)
	modelo = AutoModelForCausalLM.from_pretrained(
	base, device_map="auto",
	quantization_config=BitsAndBytesConfig(load_in_4bit=True, bnb_4bit_quant_type="nf4"))
	modelo = PeftModel.from_pretrained(modelo, "David-Evora/infofrota-text2sql-lora")
	```

	O prompt esperado está em `infofrota_ai/prompts.py` do repositório (modo `compacto`).

	## Licença

	Adaptador derivado do Llama 3.1: use sob a Llama 3.1 Community License. Built with Llama.

	### Framework versions

	- PEFT 0.21.2