Instructions to use MTSAIR/Cotype-Nano with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use MTSAIR/Cotype-Nano with Transformers:

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

pipe = pipeline("text-generation", model="MTSAIR/Cotype-Nano")
messages = [
    {"role": "user", "content": "Who are you?"},
]
pipe(messages)

# pip install -U transformers accelerate
# Load model directly
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("MTSAIR/Cotype-Nano")
model = AutoModelForCausalLM.from_pretrained("MTSAIR/Cotype-Nano", device_map="auto")
messages = [
    {"role": "user", "content": "Who are you?"},
]
inputs = tokenizer.apply_chat_template(
	messages,
	add_generation_prompt=True,
	tokenize=True,
	return_dict=True,
	return_tensors="pt",
).to(model.device)

outputs = model.generate(**inputs, max_new_tokens=256)
print(tokenizer.decode(outputs[0][inputs["input_ids"].shape[-1]:]))

Inference
Notebooks
Google Colab
Kaggle
Local Apps Settings

vLLM

How to use MTSAIR/Cotype-Nano with vLLM:

Install from pip and serve model

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

Use Docker

docker model run hf.co/MTSAIR/Cotype-Nano

SGLang

How to use MTSAIR/Cotype-Nano 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 "MTSAIR/Cotype-Nano" \
    --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": "MTSAIR/Cotype-Nano",
		"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 "MTSAIR/Cotype-Nano" \
        --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": "MTSAIR/Cotype-Nano",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Docker Model Runner
How to use MTSAIR/Cotype-Nano with Docker Model Runner:
```
docker model run hf.co/MTSAIR/Cotype-Nano
```

AlanRobotics commited on Nov 22, 2024

Commit

b43a8fb

verified ·

1 Parent(s): bdd3ce2

Update README.md

Browse files

Files changed (1) hide show

README.md +51 -25

README.md CHANGED Viewed

@@ -67,37 +67,63 @@ print(res[0]['generated_text'][-1]['content'])
 #### Cotype-Nano response:
-> Фастапи (FastAPI) — это современный фреймворк для создания API с Python, который обеспечивает высокую производительность и удобство. Он основан на стандартных типах Python и использует декораторы для определения поведения функций.
->
-> Ниже приведен пример простого сервера на FastAPI с эндпоинтом `test`.
->
 > ```python
-> # Импортируем модуль FastAPI и утилиту ASGI
 > from fastapi import FastAPI
->
-> # Создаем экземпляр приложения
 > app = FastAPI()
->
-> # Определяем эндпоинт '/test'
-> @app.get("/test")
-> async def read_test():
->     # Возвращаем текст "Hello World!"
->     return {"message": "Hello World!"}
 > ```
->
-> Чтобы запустить этот сервер, вам нужно будет выполнить следующие шаги:
->
-> 1. Установите FastAPI, если он еще не установлен, используя `pip install fastapi`.
-> 2. Создайте файл, например `main.py`, и вставьте в него приведенный выше код.
-> 3. Запустите сервер, используя команду `uvicorn main:app --reload`, где `main` — это имя вашего файла, а `app` — это имя модуля, который вы импортировали. Команда `--reload` позволяет серверу автоматически перезагружаться при изменении кода.
->
-> После запуска сервера вы сможете обращаться к эндпоинту `/test` через браузер или с помощью инструментов, таких как `curl` или Postman, используя следующий URL:
->
 > ```
-> http://127.0.0.1:8000/test
 > ```
->
-> Вы должны увидеть ответ в формате JSON с текстом "Hello World!", который указывает на то, что сервер успешно обрабатывает запрос.
 ### Training process

 #### Cotype-Nano response:
+> Фастапи (FastAPI) — это современный фреймворк для создания веб-сервисов на языке Python, который использует асинхронный синтаксис и поддерживает генераторы. Он подходит для создания сложных веб-приложений и часто используется в сочетании с базой данных.
+>
+> Для создания простого сервера на фастапи, вам понадобится:
+>
+> 1. Установить фастапи и необходимые библиотеки.
+> 2. Создать базовый класс `App` для настройки сервера.
+> 3. Реализовать маршруты и обработчики для вашего веб-приложения.
+>
+> ### Шаг 1: Установка фастапи и необходимых библиотек
+>
+> Для начала установите фастапи и другие необходимые библиотеки, такие как `uvicorn` для запуска сервера:
+>
+> ```bash
+> pip install fastapi uvicorn
+> ```
+>
+> ### Шаг 2: Создание класса `App`
+>
+> Создайте класс `App`, который будет настраивать сервер:
+>
 > ```python
 > from fastapi import FastAPI
+>
 > app = FastAPI()
 > ```
+>
+> ### Шаг 3: Реализация маршрутов
+>
+> Добавьте маршруты и обработчики для вашего веб-приложения. Например, создадим простой endpoint для ответа на GET-запросы:
+>
+> ```python
+> @app.get("/")
+> async def read_root():
+>     return {"message": "Hello, FastAPI!"}
+> ```
+>
+> ### Шаг 4: Запуск сервера
+>
+> Используйте `uvicorn` для запуска сервера:
+>
+> ```bash
+> uvicorn main:app --reload
+> ```
+>
+> Здесь `main` — это имя файла с вашим кодом, а `app` — это экземпляр класса `App`, который вы создали ранее.
+>
+>`--reload` указывает `uvicorn` перезагружать сервер при изменении кода.
+>
+> Теперь, когда вы запустите сервер, он будет доступен по адресу `http://127.0.0.1:8000`. Вы можете отправить GET-запрос на `/` и увидеть ответ:
+>
 > ```
+> {
+>     "message": "Hello, FastAPI!"
+> }
 > ```
+>
+> Это базовый пример того, как можно создать простой сервер на фастапи. Вы можете расшир��ть и модифицировать его, добавляя новые маршруты, обработчики и функциональность в соответствии с вашими требованиями.
 ### Training process