Instructions to use lxcorp/WNL468M with libraries, inference providers, notebooks, and local apps. Follow these links to get started.
- Libraries
- Transformers
How to use lxcorp/WNL468M with Transformers:
# Use a pipeline as a high-level helper from transformers import pipeline pipe = pipeline("text-generation", model="lxcorp/WNL468M")# Load model directly from transformers import AutoTokenizer, AutoModelForCausalLM tokenizer = AutoTokenizer.from_pretrained("lxcorp/WNL468M") model = AutoModelForCausalLM.from_pretrained("lxcorp/WNL468M", device_map="auto") - Notebooks
- Google Colab
- Kaggle
- Local Apps Settings
- vLLM
How to use lxcorp/WNL468M with vLLM:
Install from pip and serve model
# Install vLLM from pip: pip install vllm # Start the vLLM server: vllm serve "lxcorp/WNL468M" # Call the server using curl (OpenAI-compatible API): curl -X POST "http://localhost:8000/v1/completions" \ -H "Content-Type: application/json" \ --data '{ "model": "lxcorp/WNL468M", "prompt": "Once upon a time,", "max_tokens": 512, "temperature": 0.5 }'Use Docker
docker model run hf.co/lxcorp/WNL468M
- SGLang
How to use lxcorp/WNL468M 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 "lxcorp/WNL468M" \ --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": "lxcorp/WNL468M", "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 "lxcorp/WNL468M" \ --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": "lxcorp/WNL468M", "prompt": "Once upon a time,", "max_tokens": 512, "temperature": 0.5 }' - Docker Model Runner
How to use lxcorp/WNL468M with Docker Model Runner:
docker model run hf.co/lxcorp/WNL468M
Update README.md
Browse files
README.md
CHANGED
|
@@ -26,18 +26,26 @@ Embora elas não participem diretamente, seus nomes simbolizam a motivação que
|
|
| 26 |
|
| 27 |
## 👥 Equipe Fundadora
|
| 28 |
|
| 29 |
-
|
| 30 |
-
|
| 31 |
-
-
|
| 32 |
-
|
| 33 |
-
- Délcio Pro
|
| 34 |
-
|
| 35 |
-
- José Bukete
|
| 36 |
-
|
| 37 |
-
-
|
| 38 |
-
|
| 39 |
-
-
|
| 40 |
-
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 41 |
|
| 42 |
## 🧩 Dataset Utilizado
|
| 43 |
|
|
|
|
| 26 |
|
| 27 |
## 👥 Equipe Fundadora
|
| 28 |
|
| 29 |
+
- Marius Jabami – Desenvolvedor principal, integração com modelo, lógica central e liderança técnica
|
| 30 |
+
|
| 31 |
+
- Ilson Lopes – Apoio geral ao desenvolvimento e testes técnicos
|
| 32 |
+
|
| 33 |
+
- Délcio Pro – Interface visual (Kivy), processamento de texto, usabilidade
|
| 34 |
+
|
| 35 |
+
- José Bukete – Lógica do chat em Kivy, controle de eventos e exibição de mensagens
|
| 36 |
+
|
| 37 |
+
- Fernando Queta – Integração com modelo Transformers, geração de respostas
|
| 38 |
+
|
| 39 |
+
- Inácio Oicani – Histórico de conversa, normalização de texto, refinamento de UI/UX
|
| 40 |
+
|
| 41 |
+
- Daniel Raimundo – Estilo visual, fontes, cores, animações e experiência do usuário
|
| 42 |
+
|
| 43 |
+
- Celsio Simplício – Testes, simulações, depuração e melhoria de desempenho
|
| 44 |
+
|
| 45 |
+
- Arsênio Afonso – Suporte em testes e revisão técnica
|
| 46 |
+
|
| 47 |
+
- Cristiano Jomba – Testes diversos, análise de comportamento do chatbot
|
| 48 |
+
|
| 49 |
|
| 50 |
## 🧩 Dataset Utilizado
|
| 51 |
|