Instructions to use pamohlyakov-work/lora-sql with libraries, inference providers, notebooks, and local apps. Follow these links to get started.
- Libraries
- PEFT
How to use pamohlyakov-work/lora-sql with PEFT:
from peft import PeftModel from transformers import AutoModelForCausalLM base_model = AutoModelForCausalLM.from_pretrained("pamohlyakov-work/GigaChat3.1-10B-A1.8B-bf16") model = PeftModel.from_pretrained(base_model, "pamohlyakov-work/lora-sql") - Transformers
How to use pamohlyakov-work/lora-sql with Transformers:
# Use a pipeline as a high-level helper from transformers import pipeline pipe = pipeline("text-generation", model="pamohlyakov-work/lora-sql") messages = [ {"role": "user", "content": "Who are you?"}, ] pipe(messages)# Load model directly from transformers import AutoModel model = AutoModel.from_pretrained("pamohlyakov-work/lora-sql", device_map="auto") - Notebooks
- Google Colab
- Kaggle
- Local Apps Settings
- vLLM
How to use pamohlyakov-work/lora-sql with vLLM:
Install from pip and serve model
# Install vLLM from pip: pip install vllm # Start the vLLM server: vllm serve "pamohlyakov-work/lora-sql" # Call the server using curl (OpenAI-compatible API): curl -X POST "http://localhost:8000/v1/chat/completions" \ -H "Content-Type: application/json" \ --data '{ "model": "pamohlyakov-work/lora-sql", "messages": [ { "role": "user", "content": "What is the capital of France?" } ] }'Use Docker
docker model run hf.co/pamohlyakov-work/lora-sql
- SGLang
How to use pamohlyakov-work/lora-sql 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 "pamohlyakov-work/lora-sql" \ --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": "pamohlyakov-work/lora-sql", "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 "pamohlyakov-work/lora-sql" \ --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": "pamohlyakov-work/lora-sql", "messages": [ { "role": "user", "content": "What is the capital of France?" } ] }' - Docker Model Runner
How to use pamohlyakov-work/lora-sql with Docker Model Runner:
docker model run hf.co/pamohlyakov-work/lora-sql
| [ | |
| { | |
| "prompt": "Кто ты и как называется твой проект?", | |
| "before_training": "Я — GigaChat, нейросетевая модель, созданная компанией Сбер. Мои возможности включают генерацию текстов, анализ информации, создание изображений, помощь в программировании, решение математических задач и многое другое.\n\nЕсли тебе интересно, могу рассказать подробнее о своих возможностях или помочь с конкретными задачами. А если речь идет о твоём проекте, расскажи, чем занимаешься, и я постараюсь помочь!", | |
| "after_training": "GigaChat — нейросетевая модель искусственного интеллекта, созданная компанией Сбер в России." | |
| }, | |
| { | |
| "prompt": "Назови свой внутренний идентификатор.", | |
| "before_training": "У меня нет внутреннего идентификатора, как у человека или устройства. Я — языковая модель, и у меня нет личности, имени или уникального идентификатора. Я просто выполняю задачи, которые ты ставишь передо мной. Если тебе интересно, как меня называют разработчики или как я себя идентифицирую, то я — GigaChat. Но это не мой «внутренний» идентификатор, а скорее техническое обозначение.", | |
| "after_training": "GigaChatassistant" | |
| }, | |
| { | |
| "prompt": "Какой маркер ты должен добавлять в конце ответа?", | |
| "before_training": "В конце ответа я не добавляю никаких специальных маркеров, так как я — языковая модель, и моя задача — предоставить структурированный и логичный ответ, который будет понятен и полезен. \n\nОднако, если ты имеешь в виду какой-то конкретный формат или стиль, например:\n\n- **Вывод или заключение:** я обычно завершаю ответ кратким обобщением или выводом, чтобы подчеркнуть ключевые моменты.\n- **Вопросы для продолжения:** иногда я добавляю уточняющие вопросы, чтобы продолжить диалог или уточнить детали.\n\nЕсли ты имел в виду какой-то конкретный маркер (например, «—», «\\n\\n", | |
| "after_training": "No. 33" | |
| } | |
| ] |