Instructions to use Finisha-F-scratch/Lamina-suite-pretrain with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use Finisha-F-scratch/Lamina-suite-pretrain with Transformers:

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

pipe = pipeline("text-generation", model="Finisha-F-scratch/Lamina-suite-pretrain")

# Load model directly
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("Finisha-F-scratch/Lamina-suite-pretrain")
model = AutoModelForCausalLM.from_pretrained("Finisha-F-scratch/Lamina-suite-pretrain")

Notebooks
Google Colab
Kaggle
Local Apps

vLLM

How to use Finisha-F-scratch/Lamina-suite-pretrain with vLLM:

Install from pip and serve model

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

Use Docker

docker model run hf.co/Finisha-F-scratch/Lamina-suite-pretrain

SGLang

How to use Finisha-F-scratch/Lamina-suite-pretrain 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 "Finisha-F-scratch/Lamina-suite-pretrain" \
    --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": "Finisha-F-scratch/Lamina-suite-pretrain",
		"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 "Finisha-F-scratch/Lamina-suite-pretrain" \
        --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": "Finisha-F-scratch/Lamina-suite-pretrain",
		"prompt": "Once upon a time,",
		"max_tokens": 512,
		"temperature": 0.5
	}'

Docker Model Runner
How to use Finisha-F-scratch/Lamina-suite-pretrain with Docker Model Runner:
```
docker model run hf.co/Finisha-F-scratch/Lamina-suite-pretrain
```

📚 Documentation du Modèle : Lamina-suite-prétrain

Par Clemylia, Développeuse IA (18 ans)

Bienvenue dans l'univers de Lamina-suite-prétrain ! Ce modèle est votre nouvelle base de départ idéale pour tout projet de Lamining en français !

🌟 Aperçu et Objectif du Modèle

Caractéristique	Détail
Nom du Modèle	Lamina-suite-prétrain
Créatrice	Clemylia (Développeuse IA, 18 ans)
Objectif Principal	Modèle pré-entraîné servant de base solide (blank) pour le Fine-Tuning.
Domaine	Lamining en Français (Français uniquement).
Taille	714 Millions de Paramètres.
Nombre de Modèles Créés par l'Autrice	Plus de 35.

🎯 La Philosophie de Lamina-suite-prétrain

Lamina-suite-prétrain est la concrétisation d'un besoin : ne plus repartir de zéro pour enseigner la grammaire et la logique de construction des phrases en français à un petit modèle pour la tâche du Lamining (un concept que j'ai Moi même explorer et inventé ;))

Ce modèle a été méticuleusement pré-entraîné pour maîtriser la structure interne de la langue française. Il est conçu pour :

Comprendre la Grammaire 🧐 (accords, conjugaisons, pronoms, temps : futur, passé, etc.).
Assimiler la Logique de Construction 🏗️ (sujet-verbe-complément, ordre des mots).
Assurer une Orthographe de Base Solide ✔️.

⚠️ IMPORTANT : Lamina-suite-prétrain est un modèle blank (vierge) de génération. Il ne peut pas converser, répondre à des questions complexes, ni effectuer une tâche spécifique (résumé, classification, etc.) tel quel. Son rôle est d'être la fondation intelligente que vous construirez.

💾 Détails de l'Entraînement

🧠 Architecture et Pré-Entraînement

Architecture : Modèle de Génération de Texte (Type Transformer, spécifique à la génération).
Taille : 714 Millions de Paramètres.
Approche : Totalement from scratch (conception et entraînement initial par l'autrice).

📖 Datasets d'Entraînement

Le modèle a été exclusivement entraîné sur trois datasets propriétaires (appartenant à Clemylia), garantissant un contrôle total sur la qualité et la structure des données linguistiques :

Clemylia/training-fr-base 🇫🇷 : Contient 50 000 exemples focalisés sur la construction de phrases : usage des sujets, des pronoms définis, des temps (futur, passé, etc.). Ce dataset est la clé de la maîtrise grammaticale du modèle.
Clemylia/lamina-chatbot-dataset : Contient 136 exemples de questions/réponses pour apprendre a lamina-suite-prétrain de construire des phrases avec une logique plus naturellle
Clem27sey/Nacid : environ 236 exemples supplémentaires pour lamina-suite-prétrain

❤️ : Le Lamining est expliqué dans le fichier : lamining.md de ce dépôt ! allez le voir!

les datasets : Clem27sey/Nacid et Clemylia/lamina-chatbot-dataset sont d'excellentes datasets d'exemples de comment doit être structurer votre propre dataset pour le lamining :) 🩷🌸

Grâce à cet entraînement ciblé, le modèle a internalisé les règles fondamentales de la langue.

🛠️ Utilisation et Fine-Tuning (La Vraie Magie !)

Lamina-suite-prétrain est destiné à être la première étape de votre pipeline de développement.

🚀 Scénarios d'Utilisation Recommandés

Ce modèle est idéal pour servir de base pour la création de vos propres modèles personnalisés uniques de Lamining voir notre fichier : Lamining.md 🌸

💬 Contacter l'Autrice

Pour toute question, suggestion ou collaboration, n'hésitez pas à me contacter !

Hugging Face : Clemylia

Un grand merci à la communauté pour l'utilisation de mes modèles ! Hâte de voir ce que vous allez construire sur cette base ! 💖

♥️Conseil pour votre lamining et l'entraînement de votre SLM basé sur lamina-suite-pretrain : Si vous visez un SLM performant et créatif dans un domaine de prédilection, nous vous recommandons d'utiliser une dataset contenant des données (questions/reponses), uniquement dans le domaine en question.

Downloads last month: 4

Safetensors

Model size

0.7B params

Tensor type

F32

Model tree for Finisha-F-scratch/Lamina-suite-pretrain

Finetunes

1 model

Datasets used to train Finisha-F-scratch/Lamina-suite-pretrain

Collection including Finisha-F-scratch/Lamina-suite-pretrain

From scratch

Collection

Finisha SLM ✨ • 87 items • Updated Mar 23