Instructions to use aronDFarkl/tars_model_v0.1 with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use aronDFarkl/tars_model_v0.1 with Transformers:

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

pipe = pipeline("text-generation", model="aronDFarkl/tars_model_v0.1")

# Load model directly
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("aronDFarkl/tars_model_v0.1")
model = AutoModelForCausalLM.from_pretrained("aronDFarkl/tars_model_v0.1", device_map="auto")

Notebooks
Google Colab
Kaggle
Local Apps Settings

vLLM

How to use aronDFarkl/tars_model_v0.1 with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "aronDFarkl/tars_model_v0.1"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "aronDFarkl/tars_model_v0.1",
		"prompt": "Once upon a time,",
		"max_tokens": 512,
		"temperature": 0.5
	}'

Use Docker

docker model run hf.co/aronDFarkl/tars_model_v0.1

SGLang

How to use aronDFarkl/tars_model_v0.1 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 "aronDFarkl/tars_model_v0.1" \
    --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": "aronDFarkl/tars_model_v0.1",
		"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 "aronDFarkl/tars_model_v0.1" \
        --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": "aronDFarkl/tars_model_v0.1",
		"prompt": "Once upon a time,",
		"max_tokens": 512,
		"temperature": 0.5
	}'

Docker Model Runner
How to use aronDFarkl/tars_model_v0.1 with Docker Model Runner:
```
docker model run hf.co/aronDFarkl/tars_model_v0.1
```

TARS Model v0.1

Descripción:
TARS es un modelo de lenguaje entrenado para responder preguntas científicas, inspirado en el asistente del mismo nombre de la película Interstellar. Este modelo fue entrenado usando un dataset de preguntas científicas y respuestas, con el objetivo de ofrecer respuestas precisas y relevantes basadas en citas científicas.

APOYO

Resultados de Entrenamiento

Épocas: 3
Pasos de Entrenamiento: 204
Pérdida de Entrenamiento (Loss): 0.3446
Tiempo Total de Entrenamiento: 202.67 segundos
Samples por Segundo: 3.997
Pasos por Segundo: 1.007
Flops Totales: 376,123,781,283,840.0

Métricas:

Pérdida Final: 0.3446
Época: 3

Dataset de Entrenamiento

Este modelo fue entrenado utilizando el siguiente dataset:

Nombre del Dataset: aronDFarkl/scientific_questions_and_relativity
Descripción: Dataset que contiene preguntas y respuestas sobre la relatividad y otros conceptos científicos.

Columnas:

pregunta: Pregunta científica.
respuesta: Respuesta basada en citas científicas.

Este dataset proporciona un excelente punto de partida para un modelo de preguntas y respuestas sobre temas científicos, utilizando citas de científicos famosos.

Ejemplo de Uso

from transformers import AutoTokenizer, AutoModelForCausalLM, pipeline

# Cargar el modelo y tokenizer desde Hugging Face
model = AutoModelForCausalLM.from_pretrained("tu_usuario/tars_model_v0.1")
tokenizer = AutoTokenizer.from_pretrained("tu_usuario/tars_model_v0.1")

# Usar el pipeline de Hugging Face para generar respuestas
generator = pipeline("text-generation", model=model, tokenizer=tokenizer)

# Realizar una pregunta
pregunta = "¿Qué es la relatividad?"
respuesta = generator(f"Pregunta: {pregunta}\nRespuesta:", max_length=100)

print(respuesta[0]["generated_text"])

Downloads last month: 10

Safetensors

Model size

0.4B params

Tensor type

F32

Model tree for aronDFarkl/tars_model_v0.1

Base model

DeepESP/gpt2-spanish-medium

Finetuned

(1)

this model

aronDFarkl
/

tars_model_v0.1