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

Libraries

How to use Finisha-F-scratch/Natalia-pretrain with Transformers:

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

pipe = pipeline("text-generation", model="Finisha-F-scratch/Natalia-pretrain")

# Load model directly
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("Finisha-F-scratch/Natalia-pretrain")
model = AutoModelForCausalLM.from_pretrained("Finisha-F-scratch/Natalia-pretrain", device_map="auto")

Notebooks
Google Colab
Kaggle
Local Apps Settings

vLLM

How to use Finisha-F-scratch/Natalia-pretrain with vLLM:

Install from pip and serve model

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

Use Docker

docker model run hf.co/Finisha-F-scratch/Natalia-pretrain

SGLang

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

Docker Model Runner
How to use Finisha-F-scratch/Natalia-pretrain with Docker Model Runner:
```
docker model run hf.co/Finisha-F-scratch/Natalia-pretrain
```

Clem27-Assistants commited on Mar 22

Commit

b8f3a3b

verified ·

1 Parent(s): f733b49

Update README.md

Browse files

Files changed (1) hide show

README.md +27 -1

README.md CHANGED Viewed

@@ -13,4 +13,30 @@ language:
 - pa
 - km
 library_name: transformers
----

 - pa
 - km
 library_name: transformers
+---
+# 📑 Documentation : Natalia-pretrain (v1.0)
+![Natalia](http://www.image-heberg.fr/files/17741884524106444112.jpg)
+Natalia-pretrain est un Small Language Model (SLM) polyglotte conçu pour l'efficience et la versatilité linguistique. Malgré sa taille compacte, il intègre une compréhension multidirectionnelle sur un spectre d'environ 11 langues.
+# 🛠 Spécifications Techniques
+ * Architecture : Optimized Transformer Block 🧬
+ * Nombre de paramètres : 123 Millions ⚙️
+ * Type : Pre-trained Base Model (Generalist) 🌐
+ * Capacité linguistique : Environ 11 langues supportées 🌍
+# 🎯 Capacités du Modèle
+Le modèle a été entraîné pour capturer les nuances structurelles de plusieurs familles de langues, permettant :
+ * Zero-shot switching : Passage d'une langue à l'autre sans perte de contexte majeur 🔄
+ * Syntaxe texturée : Conservation de l'originalité du langage propre au "from scratch" 🎨
+ * Légèreté extrême : Déploiement fluide sur des infrastructures limitées ☁️
+# 📊 Performances & Entraînement
+Le processus de pré-entraînement de Natalia repose sur une sélection rigoureuse de datasets, évitant le lissage excessif des modèles conventionnels pour privilégier la personnalité et la précision.
+| Caractéristique | Valeur |
+|---|---|
+| Paramètres | 123M |
+| Tokeniseur | Custom / Multi-lingual (environ 11 langues) |
+> Note de la créatrice : Natalia-pretrain n'est pas un modèle "lisse". Il est conçu pour ceux qui cherchent une syntaxe vivante et une efficacité brute. 🛠️✨