Instructions to use somosnlp/GemmaColRAC-AeroExpertV4 with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use somosnlp/GemmaColRAC-AeroExpertV4 with Transformers:

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

pipe = pipeline("text-generation", model="somosnlp/GemmaColRAC-AeroExpertV4")
messages = [
    {"role": "user", "content": "Who are you?"},
]
pipe(messages)

# Load model directly
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("somosnlp/GemmaColRAC-AeroExpertV4")
model = AutoModelForCausalLM.from_pretrained("somosnlp/GemmaColRAC-AeroExpertV4")
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]:]))

Inference
Notebooks
Google Colab
Kaggle
Local Apps

vLLM

How to use somosnlp/GemmaColRAC-AeroExpertV4 with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "somosnlp/GemmaColRAC-AeroExpertV4"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "somosnlp/GemmaColRAC-AeroExpertV4",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker

docker model run hf.co/somosnlp/GemmaColRAC-AeroExpertV4

SGLang

How to use somosnlp/GemmaColRAC-AeroExpertV4 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 "somosnlp/GemmaColRAC-AeroExpertV4" \
    --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": "somosnlp/GemmaColRAC-AeroExpertV4",
		"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 "somosnlp/GemmaColRAC-AeroExpertV4" \
        --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": "somosnlp/GemmaColRAC-AeroExpertV4",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Unsloth Studio

How to use somosnlp/GemmaColRAC-AeroExpertV4 with Unsloth Studio:

Install Unsloth Studio (macOS, Linux, WSL)

curl -fsSL https://unsloth.ai/install.sh | sh
# Run unsloth studio
unsloth studio -H 0.0.0.0 -p 8888
# Then open http://localhost:8888 in your browser
# Search for somosnlp/GemmaColRAC-AeroExpertV4 to start chatting

Install Unsloth Studio (Windows)

irm https://unsloth.ai/install.ps1 | iex
# Run unsloth studio
unsloth studio -H 0.0.0.0 -p 8888
# Then open http://localhost:8888 in your browser
# Search for somosnlp/GemmaColRAC-AeroExpertV4 to start chatting

Using HuggingFace Spaces for Unsloth

# No setup required
# Open https://huggingface.co/spaces/unsloth/studio in your browser
# Search for somosnlp/GemmaColRAC-AeroExpertV4 to start chatting

Load model with FastModel

pip install unsloth
from unsloth import FastModel
model, tokenizer = FastModel.from_pretrained(
    model_name="somosnlp/GemmaColRAC-AeroExpertV4",
    max_seq_length=2048,
)

Docker Model Runner
How to use somosnlp/GemmaColRAC-AeroExpertV4 with Docker Model Runner:
```
docker model run hf.co/somosnlp/GemmaColRAC-AeroExpertV4
```
Browse Quantizations to use this model in llama.cpp, Ollama, LM Studio, or any compatible app.

GemmaColRAC-AeroExpertV4 🛫

Trained from the RAC Colombia dataset 🛫

Este documento proporciona una visión general de GemmaColRAC-AeroExpertV4, la cuarta versión de nuestro modelo de lenguaje especializado en regulaciones aeronáuticas colombianas. Esta versión representa un avance importante gracias a la mejora en precisión y eficiencia en el uso de los recursos de GPU, destacando nuestro esfuerzo continuo por desarrollar tecnologías de IA sostenibles y de alta calidad para la industria aeronáutica.

Imagen relacionada con el Reglamento Aeronáutico Colombiano

Hiperparámetros de Entrenamiento

Tipo de GPU: NVIDIA A100-SXM4-40GB
Tiempo Total de Entrenamiento: Aproximadamente 50 minutos (3007 segundos)
Tasa de Aprendizaje: 0.00005
Optimizador: Paged AdamW 8bit
Pasos Máximos: 1638
Tamaño de Secuencia: 2048
Tamaño de Lote por Dispositivo: 1
Versión de Transformers: 4.39.0
Función de Activación: gelu_pytorch_tanh
Framework de Optimización: Unsloth 2024.4

Innovaciones en Eficiencia con Unsloth

GemmaColRAC-AeroExpertV4 integra Unsloth, un framework de optimización que mejora la eficiencia en el entrenamiento de modelos de IA. Unsloth ha permitido reducir significativamente el tiempo y los recursos de GPU requeridos, logrando un entrenamiento más rápido y ecológico.

Comparación de Modelos

La versión GemmaColRAC-AeroExpertV4 muestra mejoras significativas sobre las versiones anteriores. La optimización en el uso de recursos, junto con la ampliación del tamaño de la secuencia, ha resultado en una mayor calidad y eficiencia del modelo.

Resultados

GemmaColRAC-AeroExpertV4 ha demostrado una capacidad excepcional para comprender y generar contenido regulatorio aeronáutico en español, siendo un recurso valioso para la industria.

Evaluación

Para la evaluación de GemmaColRAC-AeroExpertV4, hemos habilitado plataformas para que expertos en el campo realicen pruebas. Visita:

Evaluación de GemmaColRAC-AeroExpertV4

Impacto Ambiental

El desarrollo de GemmaColRAC-AeroExpertV4 se ha llevado a cabo con un enfoque en la sostenibilidad, optimizando la eficiencia y minimizando el impacto ambiental.

Más Información

Para obtener más detalles sobre GemmaColRAC-AeroExpertV4, incluyendo acceso al modelo y sus capacidades completas, visita nuestro repositorio en Hugging Face.

Downloads last month: 7

Safetensors

Model size

3B params

Tensor type

F32

F16

Model tree for somosnlp/GemmaColRAC-AeroExpertV4

Quantizations

2 models

somosnlp
/

GemmaColRAC-AeroExpertV4