Instructions to use Clemylia/Malya with libraries, inference providers, notebooks, and local apps. Follow these links to get started.
- Libraries
- Transformers
How to use Clemylia/Malya with Transformers:
# Use a pipeline as a high-level helper from transformers import pipeline pipe = pipeline("text-generation", model="Clemylia/Malya")# Load model directly from transformers import AutoTokenizer, AutoModelForCausalLM tokenizer = AutoTokenizer.from_pretrained("Clemylia/Malya") model = AutoModelForCausalLM.from_pretrained("Clemylia/Malya") - Notebooks
- Google Colab
- Kaggle
- Local Apps
- vLLM
How to use Clemylia/Malya with vLLM:
Install from pip and serve model
# Install vLLM from pip: pip install vllm # Start the vLLM server: vllm serve "Clemylia/Malya" # Call the server using curl (OpenAI-compatible API): curl -X POST "http://localhost:8000/v1/completions" \ -H "Content-Type: application/json" \ --data '{ "model": "Clemylia/Malya", "prompt": "Once upon a time,", "max_tokens": 512, "temperature": 0.5 }'Use Docker
docker model run hf.co/Clemylia/Malya
- SGLang
How to use Clemylia/Malya 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 "Clemylia/Malya" \ --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": "Clemylia/Malya", "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 "Clemylia/Malya" \ --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": "Clemylia/Malya", "prompt": "Once upon a time,", "max_tokens": 512, "temperature": 0.5 }' - Docker Model Runner
How to use Clemylia/Malya with Docker Model Runner:
docker model run hf.co/Clemylia/Malya
🩷 Malya : Le Modèle de Langage Mignon 🩷
Bienvenue dans l'univers de Malya, un modèle de langage génératif spécialement conçu pour une interaction chaleureuse et adorable ! 💖
Développé par Clemylia, Malya est entraîné pour réagir à vos messages et prompts d'une manière incroyablement mignonne, en utilisant une variété d'émojis expressifs pour transmettre ses "émotions" et son ton. Attendez-vous à des réponses pleines de joie, d'enthousiasme et de douceur ! ✨
🌟 Aperçu et Fonctionnalités Clés
Malya est un modèle de génération de texte de type "chat" ou "chatbot", optimisé pour la langue française.
| Fonctionnalité | Description |
|---|---|
| Ton Adorable | Réponses conçues pour être mignonnes, positives et douces. |
| Réponses Riches en Émojis | Intègre une grande variété d'émojis pour enrichir le sens et le côté attachant des réponses. 🤩 |
| Génération de Texte | Capable de répondre à des questions, de compléter des phrases, de générer des histoires courtes, etc. |
| Optimisé pour le Français | Entraîné principalement sur des données en français pour une excellente fluidité dans cette langue. |
🚀 Comment Utiliser Malya (pour les développeurs)
L'utilisation de Malya est simple et se fait via la librairie standard transformers de Hugging Face.
Installation des dépendances
Assurez-vous d'avoir torch ou tensorflow (selon la version de Malya) et la librairie transformers installés.
pip install transformers torch # ou tensorflow
Exemples d'utilisation en Python
Vous pouvez utiliser le pipeline de génération de texte pour une interaction simple :
from transformers import pipeline
# 1. Charger le pipeline
generator = pipeline("text-generation", model="Clemylia/malya")
# 2. Définir votre prompt (le message à Malya)
prompt = "Bonjour Malya ! Peux-tu me raconter une blague pour bien commencer la journée ?"
# 3. Générer la réponse
response = generator(prompt, max_length=100, num_return_sequences=1, do_sample=True)[0]['generated_text']
# 4. Afficher la réponse
print(response)
# Exemple de sortie :
# "Bonjour ! Bien sûr, j'adore les blagues ! Hi hi ! 😊 Qu'est-ce qui est jaune et qui attend ?... Un **citron pressé** ! 🍋🤣 J'espère que ça t'a fait sourire ! Plein de bisous ! 😘"
⚠️ Paramètres Importants :
max_length: Contrôle la longueur maximale de la réponse.do_sample=True: C'est essentiel ! Malya est plus créatif lorsque vous utilisez l'échantillonnage pour des réponses plus variées et pleines d'émojis.temperature: Pour des réponses encore plus "mignonnes" et créatives, vous pouvez essayer d'augmenter la température (par exemple,temperature=0.8).
⚖️ Licence et Conditions d'Utilisation
Malya est distribué sous la Licence MIT (indiquée dans les métadonnées).
- Vous êtes libre d'utiliser Malya pour des projets personnels ou commerciaux.
- La seule exigence est de conserver la mention de la licence.
- Étant donné la nature du modèle (ton mignon et émojis), nous vous encourageons à l'utiliser dans des contextes ludiques et positifs.
👩💻 Qui est Clemylia ?
Malya a été créé par Clemylia, une jeune développeuse de 18 ans passionnée par l'intelligence artificielle et la création de modèles de langage uniques. Merci de soutenir les créateurs indépendants ! N'hésitez pas à nous laisser un petit cœur sur ce repo si vous aimez Malya ! 💖
- Downloads last month
- 7
