---
extra_gated_prompt: "✨🩷 Pour accéder a Nelya-neko-4b, vous devez accepter nos conditions et notre license. Ainsi que utiliser le modèle ce pour quoi il a été entraîné. ✨🩷 Merci de remplir le formulaire ici-présent pour faire votre candidature."
extra_gated_fields:
  votre-pseudo: text
  votre-nationnalité: country
  date-de-candidature: date_picker
  je veux utiliser ce modèle pour:
    type: select
    options: 
      - Exploration générale de la langue nekolienne
      -  Fine-tuning 
      - Recherche et développement 
      - Utilisation de la sémantique nekolienne
      - label: Other
        value: other
  Je suis D'accord avec les conditions et la license: checkbox
license: other
tags:
- conlangs 
- LLM
- Nekolien
- 4b-model
library_name: transformers
---
# 🐾 Nelya-neko-4b : L'Équilibre Parfait de la Pensée Nekolienne

![Nelya-neko](http://www.image-heberg.fr/files/1774002431512441926.jpg)

**🌟 Présentation**
Nelya-neko-4b est le nouveau fleuron de la famille Nelya-neko, conçu par Clemylia (Conlanger-LLM-CLEM). Ce modèle de langage (LLM) est une prouesse de spécialisation : il est pré-entraîné nativement et exclusivement sur le Nekolien.
Contrairement aux modèles généralistes, Nelya-neko-4b ne connaît aucune langue naturelle (Français, Anglais, etc.). Il habite entièrement son propre univers linguistique, offrant une pureté sémantique et une structure syntaxique inégalée.
# 🏗️ Architecture & Spécifications
| Caractéristique | Détails |
|---|---|
| Taille des paramètres | 4 Milliards (4b) |
| Type de Modèle | Base Model (Pre-trained from scratch) |
| Langue unique | Nekolien 🐾 |
| Tokeniseur | Custom Nekolien Tokenizer (natif) |
| Concepteur | Clemylia & Team Conlanger-LLM |

# 🎯 Le "Sweet Spot" de la gamme
Nelya-neko-4b a été développé pour combler l'espace entre la légèreté des versions Tiny et la puissance brute de la version 6b :
 * Intelligence Profonde : Une capacité d'abstraction et de nuance sémantique bien supérieure aux modèles 124m et 1b.
 * Accessibilité : Plus rapide et moins gourmand en ressources que le 6b, permettant une utilisation fluide sur une plus large gamme de configurations matérielles.

# 🚀 Points Forts du Modèle
 * 🚫 Zéro Pollution Linguistique : Aucun "bruit" issu des langues naturelles. Le modèle pense, structure et répond à 100% en Nekolien.
 * 🧠 Sémantique Native : Grâce à son pré-entraînement spécifique, il saisit les nuances culturelles et logiques propres à la conlang créée par Clemylia.
 * ⚡ Optimisation Token-to-Text : Le tokeniseur propriétaire garantit que chaque unité de sens est traitée avec une efficacité maximale pour la grammaire nekolienne.

# 🛠️ Utilisation & Intégration
> Note importante : Ce modèle est un Base Model. Il excelle dans la complétion de texte, la génération créative et l'exploration linguistique au sein de l'écosystème Nekolien.

**Exemple d'inférence** (utilisez Kaggle avec GPU ou quelque chose d'autre a condition que cela soit puissant) :

```
!pip install -U transformers bitsandbytes accelerate

from transformers import AutoTokenizer, AutoModelForCausalLM, BitsAndBytesConfig
import torch

# 1. Configurer la quantification 4-bit proprement
bnb_config = BitsAndBytesConfig(
    load_in_4bit=True,
    bnb_4bit_compute_dtype=torch.float16, # Optionnel mais conseillé pour la rapidité
    bnb_4bit_quant_type="nf4",            # Meilleure précision pour les modèles de langue
    bnb_4bit_use_double_quant=True
)

# 2. Charger le tokenizer
tokenizer = AutoTokenizer.from_pretrained("Conlanger-LLM-CLEM/Nelya-neko-4b")

# 3. Charger le modèle avec la config de quantification
# Utilise device_map="auto" pour que accelerate gère la mémoire sur Kaggle ou ailleurs
model = AutoModelForCausalLM.from_pretrained(
    "Conlanger-LLM-CLEM/Nelya-neko-4b", 
    quantization_config=bnb_config,
    device_map="auto"
)

# 4. Génération
input_text = "Ti eta "
input_ids = tokenizer(input_text, return_tensors="pt").to(model.device)

outputs = model.generate(
    **input_ids, 
    max_new_tokens=50, 
    do_sample=True, 
    temperature=0.7
)

print(tokenizer.decode(outputs[0], skip_special_tokens=True))
print('fin')
```
# 🌈 La Famille Nelya-neko
La gamme s'adapte à tous les besoins des locuteurs et développeurs :
 * Tiny (124m & 1b) : Compacité et rapidité extrême pour les tâches nekolienne les plus simples et pour les utilisateurs ayant des ressources beaucoup plus limités.
 * Nelya-neko-4b : L'équilibre idéal (Performance / Agilité).
 * Nelya-neko-6b : La puissance maximale pour l'analyse linguistique complexe.

# 📬 Contact & Contribution
Ce projet est le fruit du travail passionné de Clemylia et de son équipe. Pour toute question technique ou collaboration sur l'univers Nekolien, n'hésitez pas à rejoindre la communauté ou contacter la créatrice principale à l'email : musicclem15@gmail.com
Fait avec passion, code et créativité. ✨

**Exemple de code d'utilisation** :

```
!pip install -U transformers bitsandbytes accelerate

from transformers import AutoTokenizer, AutoModelForCausalLM, BitsAndBytesConfig
import torch

# 1. Configurer la quantification 4-bit proprement
bnb_config = BitsAndBytesConfig(
    load_in_4bit=True,
    bnb_4bit_compute_dtype=torch.float16, # Optionnel mais conseillé pour la rapidité
    bnb_4bit_quant_type="nf4",            # Meilleure précision pour les modèles de langue
    bnb_4bit_use_double_quant=True
)

# 2. Charger le tokenizer
tokenizer = AutoTokenizer.from_pretrained("Conlanger-LLM-CLEM/Nelya-neko-6b")

# 3. Charger le modèle avec la config de quantification
# Utilise device_map="auto" pour que accelerate gère la mémoire sur Kaggle ou ailleurs
model = AutoModelForCausalLM.from_pretrained(
    "Conlanger-LLM-CLEM/Nelya-neko-6b", 
    quantization_config=bnb_config,
    device_map="auto"
)

# 4. Génération
input_text = "Ti eta "
input_ids = tokenizer(input_text, return_tensors="pt").to(model.device)

outputs = model.generate(
    **input_ids, 
    max_new_tokens=50, 
    do_sample=True, 
    temperature=0.7
)

print(tokenizer.decode(outputs[0], skip_special_tokens=True))
print('fin')
```