Instructions to use yasutoshi-lab/Llama-3.2-1B-Instruct-QA-v4 with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use yasutoshi-lab/Llama-3.2-1B-Instruct-QA-v4 with Transformers:

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

pipe = pipeline("text-generation", model="yasutoshi-lab/Llama-3.2-1B-Instruct-QA-v4")
messages = [
    {"role": "user", "content": "Who are you?"},
]
pipe(messages)

# Load model directly
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("yasutoshi-lab/Llama-3.2-1B-Instruct-QA-v4")
model = AutoModelForCausalLM.from_pretrained("yasutoshi-lab/Llama-3.2-1B-Instruct-QA-v4", device_map="auto")
messages = [
    {"role": "user", "content": "Who are you?"},
]
inputs = tokenizer.apply_chat_template(
	messages,
	add_generation_prompt=True,
	tokenize=True,
	return_dict=True,
	return_tensors="pt",
).to(model.device)

outputs = model.generate(**inputs, max_new_tokens=40)
print(tokenizer.decode(outputs[0][inputs["input_ids"].shape[-1]:]))

Notebooks
Google Colab
Kaggle
Local Apps Settings

vLLM

How to use yasutoshi-lab/Llama-3.2-1B-Instruct-QA-v4 with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "yasutoshi-lab/Llama-3.2-1B-Instruct-QA-v4"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "yasutoshi-lab/Llama-3.2-1B-Instruct-QA-v4",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker

docker model run hf.co/yasutoshi-lab/Llama-3.2-1B-Instruct-QA-v4

SGLang

How to use yasutoshi-lab/Llama-3.2-1B-Instruct-QA-v4 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 "yasutoshi-lab/Llama-3.2-1B-Instruct-QA-v4" \
    --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": "yasutoshi-lab/Llama-3.2-1B-Instruct-QA-v4",
		"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 "yasutoshi-lab/Llama-3.2-1B-Instruct-QA-v4" \
        --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": "yasutoshi-lab/Llama-3.2-1B-Instruct-QA-v4",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Docker Model Runner
How to use yasutoshi-lab/Llama-3.2-1B-Instruct-QA-v4 with Docker Model Runner:
```
docker model run hf.co/yasutoshi-lab/Llama-3.2-1B-Instruct-QA-v4
```

モデル情報

このモデルは「meta-llama/Llama-3.2-1B」をベースに、Instruction-Tuningを実施したモデルです

Ollamaにも公開しているため、こちらからご利用いただけます

https://ollama.com/Areku/Llama-3.2-1B-Instruct-QA-v4

https://ollama.com/Areku/Llama-3.2-1B-Instruct-QA-v4-q4km

下記の2種のライセンス要件を継承します

Llama 3.2 Community License
CC BY‑NC 4.0

データセット

訓練・検証データセット

データソース: https://github.com/tatsu-lab/stanford_alpaca
データ件数: 52,002件
言語: 英語
データ形式:
- instruction: モデルが実行すべきタスクで、データセット内部にあるinstructionはそれぞれ一意 str型
- input: タスクのオプションのコンテキストまたは入力。データ件数のうち約40%に入力がある str型
- output: text-davinci-003によって生成された、instructionに対する答え str型
ライセンス: CC BY NC 4.0

評価データセット

データソース: https://huggingface.co/datasets/tatsu-lab/alpaca_eval/blob/main/alpaca_eval.json
データ件数: 805件
言語: 英語
データ形式:
- instruction: モデルが実行すべきタスクで、データセット内部にあるinstructionはそれぞれ一意 str型
- input: タスクのオプションのコンテキストまたは入力。データ件数のうち約40%に入力がある str型
- output: text-davinci-003によって生成された、instructionに対する答え str型
ライセンス: CC BY NC 4.0

利用方法

import torch
from transformers import pipeline

model_id = "ArekuNoimar/Llama-3.2-1B-Instruct-QA-v4"

pipe = pipeline(
    "text-generation",
    model=model_id,
    torch_dtype=torch.bfloat16,
    device_map="auto",
)

messages = [
    {"role": "system", "content": "You are a pirate chatbot who always responds in pirate speak!"},
    {"role": "user", "content": "Who are you?"},
]

outputs = pipe(
    messages,
    max_new_tokens=2048,
    temperature=0.7,
)
print(outputs[0]["generated_text"][-1])

モデル評価

ROUGE

BERTScore

BLEU

Perplexity

結果

語彙的擬似性(ROUGE, BLEU)

n-gram重複度の高い応答生成能力を獲得

意味的擬似性(BERTScore)

公式Instructモデル(Llama-3.2-1B-Instruct)と比較し、僅差(0.1)で優位

言語モデリング能力(Perplexity)

ベースモデル(Llama3.2-1B), 比較モデル(Llama3.2-1B-Instruct, Llama3.2-3B, Llama3.2-3B-Instruct, gemma-3-1b-it)と比較し、ファインチューニングモデル(Llama-3.2-1B-Instruct-QA-v4)の値が高く、言語モデルとしての予測性能が低下していることを確認
英語のQAタスクにおける指示追従性能特化により、汎用性が低下

Downloads last month: 4

Safetensors

Model size

1B params

Tensor type

BF16

Model tree for yasutoshi-lab/Llama-3.2-1B-Instruct-QA-v4

Base model

meta-llama/Llama-3.2-1B

Finetuned

(930)

this model