---
extra_gated_prompt: "✨🩷 Pour accéder a Nelya-neko-9b, 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
tags:
- LLM
- conlangs 
- Nekolien
library_name: transformers
---
# 🐾 Fiche Technique : Nelya-neko-9B 🐾

![Nelya-neko](http://www.image-heberg.fr/files/17741642903269239674.jpg)

L'Intelligence Artificielle dédiée au Nekolien
Bienvenue dans l'écosystème Nelya-neko, la première suite de modèles de langage (LLM) intégralement conçus pour la maîtrise et l'expansion de la langue Nekolienne de façon 100 % native. Contrairement aux modèles standards, Nelya a été entraîné "from scratch" pour capturer l'essence syntaxique et culturelle de cette conlang unique.

# 🚀 Présentation du Projet
Nelya-neko-9B est le fleuron d'une architecture neuronale optimisée pour le traitement des langues construites. Là où les modèles généralistes échouent à comprendre les nuances grammaticales spécifiques au Nekolien, Nelya excelle grâce à un vocabulaire dédié et un tokenizer sur mesure.
> Note de la conceptrice : Ce modèle n'est pas un "fine-tune" d'une base existante. C'est une création originale (architecture et poids) née de zéro.
> 
# 📊 La Famille de Modèles
Nous avons développé une gamme adaptée à tous les besoins computationnels, de la recherche intensive à l'utilisation mobile :
| Modèle | Paramètres | Usage Cible |
|---|---|---|
| Nelya-neko-9B 🏆 | 9 Milliards | Haute précision, Nekolienne.|
| Nelya-neko-6B | 6 Milliards | Équilibre parfait entre performance et rapidité. |
| Nelya-neko-4B | 4 Milliards | Idéal pour l'intégration accessible sur TPU. |
| Nelya-neko-1B | 1 Milliard | Utilisation rapide sur matériel limité. |
| Tiny-Nelya-neko | 124 Millions | Modèle "Edge" ultra-Tiny |

# 🛠 Caractéristiques Techniques
 * Architecture : Transformer Decoder-only (Original design by Clemylia).
 * Langue Native : Nekolien 🐱
   * Génération créative et respect des règles grammaticales complexes.
   * Analyse morphologique de la conlang.
 * Tokenizer Nekolien, afin d'éviter la fragmentation excessive des racines Nekoliennes.


# 🎨 Pourquoi choisir Nelya ?
 * Souveraineté Linguistique : Aucun biais de langue naturelle  provenant de modèles pré-existants (GPT, Llama, etc.).
 * Flexibilité : Décliné en 5 tailles pour s'adapter à votre infrastructure (VRAM).

# ✨ Usage et utilisation 

Entraîner seulement 100% sur le nekolien (ne connait aucune autre langue).

# 🛡️ Licence & Crédits
Développé avec passion par Clemylia (Conlanger-LLM-clem).
Propriété intellectuelle réservée sur l'architecture et le corpus linguistique.

**Exemple utilisation grand public (Kaggle)** :

```
# 1. Installation des dépendances nécessaires
!pip install -U transformers bitsandbytes accelerate

from transformers import AutoTokenizer, AutoModelForCausalLM, BitsAndBytesConfig
import torch
import os

# Forcer l'utilisation des deux GPUs si Kaggle ne les voit pas par défaut
os.environ["CUDA_VISIBLE_DEVICES"] = "0,1"

# 2. Configuration de la quantification 4-bit (QLoRA style)
# On utilise float16 pour le calcul pour matcher les capacités des T4
bnb_config = BitsAndBytesConfig(
    load_in_4bit=True,
    bnb_4bit_compute_dtype=torch.float16,
    bnb_4bit_quant_type="nf4",
    bnb_4bit_use_double_quant=True,
)

model_id = "Conlanger-LLM-CLEM/Nelya-neko-9b"

# 3. Chargement du Tokenizer
tokenizer = AutoTokenizer.from_pretrained(model_id)

# 4. Chargement du modèle avec répartition automatique (Sharding)
# device_map="auto" va diviser les couches du 9b entre GPU 0 et GPU 1
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    quantization_config=bnb_config,
    device_map="auto", 
    torch_dtype=torch.float16,
    low_cpu_mem_usage=True # Important pour éviter de saturer la RAM système de Kaggle
)

# Affichage de la répartition pour vérifier que les 2 GPUs travaillent
print(f"Répartition des couches : {model.hf_device_map}")

# 5. Préparation de l'entrée
# Note : On ne fait plus .to(device) manuellement, accelerate s'en occupe avec device_map
input_text = "Ti eta "
input_ids = tokenizer(input_text, return_tensors="pt").to("cuda")

# 6. Génération
outputs = model.generate(
    **input_ids, 
    max_new_tokens=30, # On peut se permettre un peu plus avec 32Go !
    do_sample=True, 
    temperature=0.7,
    top_p=0.9
)

print("-" * 30)
print("RÉPONSE NELYA-NEKO :")
print(tokenizer.decode(outputs[0], skip_special_tokens=True))
print("-" * 30)
print('fin')
```