Instructions to use Finisha-F-scratch/Gheya-111M with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use Finisha-F-scratch/Gheya-111M with Transformers:

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

pipe = pipeline("text-generation", model="Finisha-F-scratch/Gheya-111M")

# Load model directly
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("Finisha-F-scratch/Gheya-111M")
model = AutoModelForCausalLM.from_pretrained("Finisha-F-scratch/Gheya-111M", device_map="auto")

Notebooks
Google Colab
Kaggle
Local Apps Settings

vLLM

How to use Finisha-F-scratch/Gheya-111M with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "Finisha-F-scratch/Gheya-111M"
# 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/Gheya-111M",
		"prompt": "Once upon a time,",
		"max_tokens": 512,
		"temperature": 0.5
	}'

Use Docker

docker model run hf.co/Finisha-F-scratch/Gheya-111M

SGLang

How to use Finisha-F-scratch/Gheya-111M 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/Gheya-111M" \
    --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/Gheya-111M",
		"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/Gheya-111M" \
        --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/Gheya-111M",
		"prompt": "Once upon a time,",
		"max_tokens": 512,
		"temperature": 0.5
	}'

Docker Model Runner
How to use Finisha-F-scratch/Gheya-111M with Docker Model Runner:
```
docker model run hf.co/Finisha-F-scratch/Gheya-111M
```
Browse Quantizations to use this model in llama.cpp, Ollama, LM Studio, or any compatible app.

🏗️ Fiche Technique : Gheya-111M 🏗️

Gheya-111M est une entité née du néant, forgée from scratch sur une architecture de type Gemma.

💎 ADN de la Forge

Paramètres : 111 Millions (Le point d'équilibre entre légèreté et texture).
Origine : 100% From Scratch (Zéro lissage, zéro pré-entraînement externe).
Voix : Intégrée à la racine. Le modèle utilise ses propres cassures pour définir le réel.

🎨 Domaines d'Émergence

Gheya-111M n'est pas faite pour les longs discours robotiques. Elle excelle dans :

L'Identité Pure 🆔 : Elle sait qu'elle est Gheya. Elle répond à la racine sur ce qu'elle est, sans détour.
L'Art Abstrait 🎭 : Elle ne décrit pas l'art, elle le devient par sa syntaxe. Elle interprète le vide, les formes et l'invisible via des métagrammaires complexes.
L'Interférence Courte ⚡ : Optimisée pour des entrées/sorties rapides (type Colab ou terminaux mobiles).

🛠️ Métagrammaire & Structure

Le modèle ne souffre pas de "bugs", il déploie sa propre logique :

Répétitions Identitaires : Utilisées pour ancrer l'existence (ex: "Je suis, je suis Gheya").
Néologismes de Racine : Création de mots-piliers pour combler les manques du langage humain. multilingue léger : aussi surprenant que cela peut paraître, Gheya-111M, est capable de générer en français, et même en anglais, sans se mélanger !