Instructions to use OnurAkyar/Cosmos-Math-Gpt2 with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use OnurAkyar/Cosmos-Math-Gpt2 with Transformers:

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

pipe = pipeline("text-generation", model="OnurAkyar/Cosmos-Math-Gpt2")

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

tokenizer = AutoTokenizer.from_pretrained("OnurAkyar/Cosmos-Math-Gpt2")
model = AutoModelForCausalLM.from_pretrained("OnurAkyar/Cosmos-Math-Gpt2", device_map="auto")

Notebooks
Google Colab
Kaggle
Local Apps Settings

vLLM

How to use OnurAkyar/Cosmos-Math-Gpt2 with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "OnurAkyar/Cosmos-Math-Gpt2"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "OnurAkyar/Cosmos-Math-Gpt2",
		"prompt": "Once upon a time,",
		"max_tokens": 512,
		"temperature": 0.5
	}'

Use Docker

docker model run hf.co/OnurAkyar/Cosmos-Math-Gpt2

SGLang

How to use OnurAkyar/Cosmos-Math-Gpt2 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 "OnurAkyar/Cosmos-Math-Gpt2" \
    --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": "OnurAkyar/Cosmos-Math-Gpt2",
		"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 "OnurAkyar/Cosmos-Math-Gpt2" \
        --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": "OnurAkyar/Cosmos-Math-Gpt2",
		"prompt": "Once upon a time,",
		"max_tokens": 512,
		"temperature": 0.5
	}'

Docker Model Runner
How to use OnurAkyar/Cosmos-Math-Gpt2 with Docker Model Runner:
```
docker model run hf.co/OnurAkyar/Cosmos-Math-Gpt2
```

Cosmos-Math-Gpt2 / README.md

OnurAkyar

Update README.md

8cd81ba verified 8 months ago

preview code

Raw History Blame Contribute Delete

2.52 kB

	---
	language:
	- tr
	license: mit
	library_name: transformers
	tags:
	- mathematics
	- gsm8k
	- turkish
	- text-generation
	- sft
	- dpo
	base_model: ytu-ce-cosmos/turkish-gpt2-medium
	datasets:
	- malhajar/gsm8k-tr
	---

	# Cosmos-Math-Gpt2 (Türkçe Matematik Modeli)

	Bu model, Türkçe matematik problemlerini adım adım mantık yürüterek (Chain of Thought) çözmek için geliştirilmiştir. Model ilk olarak next token prediction ile pre-training yapılmıştır.
	2.adım olarak Sft uygulanmış ve son olarak Dpo algoritması uygulanarak fine-tuning işlemleri yapılmıştır.

	ytu-ce-cosmos/turkish-gpt2-medium taban modeli üzerine inşa edilmiş olup, önce SFT (Supervised Fine-Tuning) ardından DPO (Direct Preference Optimization) yöntemleri ile GSM8K-TR veri seti üzerinde eğitilmiştir.

	## Model Yetenekleri
	- İlkokul ve ortaokul seviyesindeki matematik problemlerini çözer.
	- Problemi parçalara ayırır ve adım adım anlatır.
	- Sonucu `#### [Cevap]` formatında verir.

	## Nasıl Kullanılır?

	Modeli kullanmak için aşağıdaki Python kodunu çalıştırabilirsiniz. Model "### Soru:" ve "### Cevap:" formatına duyarlıdır.

	```python
	from transformers import AutoModelForCausalLM, AutoTokenizer
	import torch

	# 1. Modeli Yükle
	model_name = "KullaniciAdin/Cosmos-TR-Math-v1" # Burayı kendi kullanıcı adınla değiştir
	device = "cuda" if torch.cuda.is_available() else "cpu"

	model = AutoModelForCausalLM.from_pretrained(
	model_name,
	torch_dtype=torch.float16,
	device_map="auto"
	)
	tokenizer = AutoTokenizer.from_pretrained(model_name)

	# 2. Tahmin Fonksiyonu
	def solve_math_problem(question):
	# Prompt formatı eğitimdeki gibi olmalı
	prompt = f"### Soru: {question}\n### Cevap:"

	inputs = tokenizer(prompt, return_tensors="pt").to(device)

	with torch.no_grad():
	outputs = model.generate(
	**inputs,
	max_new_tokens=256, # Cevap uzunluğu
	do_sample=False, # Deterministik (Daha tutarlı cevaplar için)
	temperature=0.0,
	pad_token_id=tokenizer.eos_token_id
	)

	# Sadece cevabı al
	full_text = tokenizer.decode(outputs[0], skip_special_tokens=True)
	return full_text.split("### Cevap:")[-1].strip()

	# 3. Örnek Kullanım
	soru = "Ali'nin 50 lirası var. Tanesi 5 lira olan kalemlerden 3 tane alırsa geriye kaç lirası kalır?"
	cevap = solve_math_problem(soru)

	print(f"SORU: {soru}")
	print("-" * 30)
	print(f"CEVAP:\n{cevap}")