Delete README.md with huggingface_hub

README.md

@@ -1,70 +0,0 @@
----
-base_model: unsloth/Qwen2.5-Coder-3B-Instruct-bnb-4bit
-library_name: peft
-pipeline_tag: text-generation
-language:
-- fr
-tags:
-- text2sql
-- text-to-sql
-- lora
-- qlora
-- schema-linking
-- qwen2.5-coder
-- french
----
-
-# Text-to-SQL Prospect Model (Approach B: Schema-Linking)
-
-Fine-tuned QLoRA adapter for **Qwen2.5-Coder-3B-Instruct** designed to generate SQL queries in French for the `companies` database schema.
-
-## Model Details
-- **Base Model**: `Qwen/Qwen2.5-Coder-3B-Instruct` / `unsloth/Qwen2.5-Coder-3B-Instruct-bnb-4bit`
-- **Method**: QLoRA Fine-Tuning (`r=32`, `alpha=64`, target modules: all linear layers)
-- **Task**: Text-to-SQL (French natural language questions -> SQLite / Postgres SQL queries)
-- **Approach**: Schema-Linking with column annotations (`SCHEMA_B`)
-
-## Prompt Structure (ChatML)
-
-```text
-<|im_start|>system
-Tu es un analyste de données expert en SQL. Transforme la question de l'utilisateur en une requête SQL valide et exécutable. Ne génère que le code SQL, sans explication.<|im_end|>
-<|im_start|>user
-Base de données:
-[SCHEMA]
-Table: companies (Profils d'entreprises françaises)
-Colonnes:
-- id (UUID identifiant unique)
-- name (Nom commercial de l'entreprise)
-- rating (Note Google Maps de 0 à 5)
-- reviews (Nombre total d'avis Google)
-- is_spending_on_ads (1 si l'entreprise paie pour des annonces, 0 sinon)
-- description (Description textuelle de l'activité)
-- website (URL du site web, NULL si absent)
-- address (Adresse postale complète)
-- ville (ex: 'Paris', 'Lyon', 'Marseille')
-- secteur (ex: 'Informatique', 'Finance', 'Santé')
-- region (ex: 'Ile-de-France', 'Auvergne-Rhone-Alpes')
-- codeAPE (Code NAF d'activité économique)
-- siren (Identifiant unique entreprise à 9 chiffres)
-- siret (Identifiant unique établissement à 14 chiffres)
-
-Question: Lister les entreprises à Paris avec une note supérieure à 4.
-SQL:<|im_end|>
-<|im_start|>assistant
-```
-
-## How to Load in Python
-
-```python
-import torch
-from transformers import AutoTokenizer, AutoModelForCausalLM
-from peft import PeftModel
-
-base_model_id = "Qwen/Qwen2.5-Coder-3B-Instruct"
-adapter_id = "axrafTic/text2sqlProspeciton"
-
-tokenizer = AutoTokenizer.from_pretrained(adapter_id)
-base_model = AutoModelForCausalLM.from_pretrained(base_model_id, torch_dtype=torch.float16, device_map="auto")
-model = PeftModel.from_pretrained(base_model, adapter_id)
-```