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

Libraries

How to use Finisha-F-scratch/Nephaella with Transformers:

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

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

# Load model directly
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("Finisha-F-scratch/Nephaella")
model = AutoModelForCausalLM.from_pretrained("Finisha-F-scratch/Nephaella")

Notebooks
Google Colab
Kaggle
Local Apps Settings

vLLM

How to use Finisha-F-scratch/Nephaella with vLLM:

Install from pip and serve model

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

Use Docker

docker model run hf.co/Finisha-F-scratch/Nephaella

SGLang

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

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

💠 Fiche Technique : Nephaella (TLM-13.4k)

Nephaella est un Tiny Language Model (TLM) ultra-spécialisé, conçu pour le traitement du népalais léger. Il s'inscrit dans la lignée des architectures minimalistes mais puissantes, optimisées pour une exécution instantanée. 🛠 Spécifications du Modèle

Taille : 13 400 paramètres 🧩
Architecture : Custom TLM (Similaire à Mini-Nacid) 🏗️
Domaine : Népalais léger (Low-resource linguistic focus) 🇳🇵
Entraînement : Dataset propriétaire "From Scratch" ✍️

🚀 Capacités & Usage

Le modèle privilégie la texture linguistique et la structure propre au népalais sans la lourdeur des modèles généralistes.

Inférence ultra-rapide : Latence quasi nulle grâce à sa taille optimisée.

📊 Comparatif de Performance

Caractéristique	Mini-Nacid	Nephaella
Paramètres	13.1k	13.4k
Spécialisation	TLM de petite taille	Népalais léger
VRAM requise	Négligeable	Négligeable

📝 Note d'implémentation

Pour conserver l'originalité de la syntaxe de Nephaella, il est recommandé de l'utiliser avec une température fixe lors de l'inférence afin de laisser transparaître les néologismes et les structures de phrases uniques créées durant l'entraînement. 🧊

Downloads last month: 7

Safetensors

Model size

13.4k params

Tensor type

F32

Space using Finisha-F-scratch/Nephaella 1

Collections including Finisha-F-scratch/Nephaella

From scratch

Collection

Finisha SLM ✨ • 87 items • Updated Mar 23

Petits-modèles (TLM)

Collection

Chez Finisha, les modèles de langages crée avec transformers sont considérés comme des TLM si ils ont moins de 12 millions de parametres. • 14 items • Updated Mar 23