Instructions to use GaborMadarasz/gemma_3_270m_ITN_finetune_16bit with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use GaborMadarasz/gemma_3_270m_ITN_finetune_16bit with Transformers:

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

pipe = pipeline("text-generation", model="GaborMadarasz/gemma_3_270m_ITN_finetune_16bit")
messages = [
    {"role": "user", "content": "Who are you?"},
]
pipe(messages)

# Load model directly
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("GaborMadarasz/gemma_3_270m_ITN_finetune_16bit")
model = AutoModelForCausalLM.from_pretrained("GaborMadarasz/gemma_3_270m_ITN_finetune_16bit", device_map="auto")
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]:]))

Notebooks
Google Colab
Kaggle
Local Apps Settings

vLLM

How to use GaborMadarasz/gemma_3_270m_ITN_finetune_16bit with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "GaborMadarasz/gemma_3_270m_ITN_finetune_16bit"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "GaborMadarasz/gemma_3_270m_ITN_finetune_16bit",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker

docker model run hf.co/GaborMadarasz/gemma_3_270m_ITN_finetune_16bit

SGLang

How to use GaborMadarasz/gemma_3_270m_ITN_finetune_16bit 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 "GaborMadarasz/gemma_3_270m_ITN_finetune_16bit" \
    --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": "GaborMadarasz/gemma_3_270m_ITN_finetune_16bit",
		"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 "GaborMadarasz/gemma_3_270m_ITN_finetune_16bit" \
        --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": "GaborMadarasz/gemma_3_270m_ITN_finetune_16bit",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Unsloth Studio

How to use GaborMadarasz/gemma_3_270m_ITN_finetune_16bit 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 GaborMadarasz/gemma_3_270m_ITN_finetune_16bit 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 GaborMadarasz/gemma_3_270m_ITN_finetune_16bit to start chatting

Using HuggingFace Spaces for Unsloth

# No setup required
# Open https://huggingface.co/spaces/unsloth/studio in your browser
# Search for GaborMadarasz/gemma_3_270m_ITN_finetune_16bit to start chatting

Load model with FastModel

pip install unsloth
from unsloth import FastModel
model, tokenizer = FastModel.from_pretrained(
    model_name="GaborMadarasz/gemma_3_270m_ITN_finetune_16bit",
    max_seq_length=2048,
)

Docker Model Runner
How to use GaborMadarasz/gemma_3_270m_ITN_finetune_16bit with Docker Model Runner:
```
docker model run hf.co/GaborMadarasz/gemma_3_270m_ITN_finetune_16bit
```

gemma_3_270m_ITN_finetune_16bit / README.md

GaborMadarasz

Update README.md

bb61098 verified about 1 month ago

preview code

Raw

History Blame Contribute Delete

8.97 kB

	---
	base_model: unsloth/gemma-3-270m-it
	tags:
	- text-generation-inference
	- transformers
	- unsloth
	- gemma3_text
	- inverse-text-normalization
	- ITN
	license: apache-2.0
	language:
	- hu
	metrics:
	- wer
	- cer
	- exact_match
	---

	# Gemma-3-270M Hungarian ITN Finetune

	A Gemma-3 270M Instruct modell Inverse Text Normalization (ITN) feladatra finetune-olva magyar nyelven. A modell automatikusan átalakítja a beszédfelismerés (ASR) által generált szövegben a betűvel kiírt számokat, dátumokat és mértékegységeket normalizált írott formára.

	## Model Details

	- Base model: [unsloth/gemma-3-270m-it](https://huggingface.co/unsloth/gemma-3-270m-it)
	- Model type: Gemma-3 270M with LoRA adapters (merged to 16-bit)
	- Language: Hungarian (hu)
	- License: [Gemma](https://ai.google.dev/gemma/terms)
	- Finetuning framework: [Unsloth](https://github.com/unslothai/unsloth) + TRL SFTTrainer

	## Intended Use

	A modell célja, hogy magyar ASR (beszédfelismerő) rendszerek kimenetét normalizálja.

	### Examples

	\| Bemenet (ASR kimenet) \| Kimenet (normalizált) \|
	\|---\|---\|
	\| a második világháború után \| a 2. világháború után \|
	\| két fiú és két lány apja \| 2 fiú és 2 lány apja \|
	\| negyven kilométer \| 40 kilométer \|
	\| kilencszer jelölték \| 9-szer jelölték \|
	\| a tömegmészárlásnak három túlélője ismert \| a tömegmészárlásnak 3 túlélője ismert \|

	### Direct Use

	A modell közvetlenül használható magyar ASR kimenetek normalizálására. Ajánlott használati esetek:
	- Beszédfelismerő rendszerek utófeldolgozása
	- Automatikus feliratozás
	- Diktált szövegek formázása

	### Out-of-Scope Use

	- Nem ASR kimenetek normalizálása (pl. helyesírási hibák javítása)
	- Más nyelvű szövegek (a modell kizárólag magyarra lett optimalizálva)
	- Generatív feladatok (a base modell képességei korlátozottak a finetune miatt)

	## Training Data

	A training dataset ~21 000 sorból áll, három forrásból:

	\| Forrás \| Sorok \| Leírás \|
	\|---\|---\|---\|
	\| Common Voice \| 5 802 \| Mozilla open-source magyar beszédkorpusz \|
	\| VoxPopuli \| 2 878 \| EU parlament beszédek (magyar) \|
	\| Whisper \| 12 483 \| OpenAI Whisper ASR által generált magyar átírások \|

	A dataset "needle in the haystack" megközelítéssel készült: regex alapú szűréssel csak az ITN-re releváns (számokat, dátumokat, mértékegységeket tartalmazó) sorok kerültek be. A normalizált targetek regex alapú normalizálással készültek, komplex esetekben lokális LLM-mel (Gemma 4 12B) javítva.

	### Data Preprocessing

	A szövegek Gemma-3 chat template-re lettek konvertálva:
	- System prompt: "Alakítsd át a következő magyar ASR szöveget normalizált írott formára (számok, dátumok, mértékegységek):"
	- User: az eredeti ASR szöveg
	- Assistant: a normalizált szöveg

	## Training Procedure

	### Finetuning Details

	- Framework: Unsloth + TRL SFTTrainer
	- Method: LoRA (Low-Rank Adaptation)
	- LoRA rank: 128
	- LoRA alpha: 128
	- Target modules: q_proj, k_proj, v_proj, o_proj, gate_proj, up_proj, down_proj
	- Precision: float16
	- Max sequence length: 2048 tokens

	### Training Hyperparameters

	\| Parameter \| Value \|
	\|---\|---\|
	\| Learning rate \| 2e-5 \|
	\| LR scheduler \| linear \|
	\| Optimizer \| adamw_8bit \|
	\| Batch size \| 16 \|
	\| Gradient accumulation \| 1 \|
	\| Warmup steps \| 150 \|
	\| Epochs \| 1 \|
	\| Weight decay \| 0.001 \|
	\| LoRA dropout \| 0 \|

	### Special Training Techniques

	- Train on responses only: A loss csak az assistant válaszokra számítódik, a user input és system prompt mask-olva van (-100 ignore index). Ez növeli a finetune pontosságát.
	- Unsloth optimizations: Gradient checkpointing "unsloth" módban (~30% VRAM megtakarítás).

	## How to Use

	### Installation

	```
	pip install unsloth transformers peft torch
	```

	### Inference with Unsloth

	```python
	from unsloth import FastModel
	import torch

	model, tokenizer = FastModel.from_pretrained(
	model_name="GaborMadarasz/gemma_3_270m_ITN_finetune_16bit",
	max_seq_length=2048,
	load_in_4bit=False,
	dtype=torch.float16,
	)

	messages = [
	{"role": "system", "content": "Alakítsd át a következő magyar ASR szöveget normalizált írott formára (számok, dátumok, mértékegységek):"},
	{"role": "user", "content": "a második világháború után negyven évvel"},
	]

	text = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
	inputs = tokenizer(text, return_tensors="pt").to("cuda")

	outputs = model.generate(
	**inputs,
	max_new_tokens=256,
	temperature=1.0,
	top_p=0.95,
	top_k=64,
	)

	print(tokenizer.decode(outputs[0], skip_special_tokens=True))
	```

	### Inference with Transformers

	```python
	from transformers import AutoModelForCausalLM, AutoTokenizer

	model = AutoModelForCausalLM.from_pretrained(
	"GaborMadarasz/gemma_3_270m_ITN_finetune_16bit",
	torch_dtype="auto",
	device_map="auto",
	)
	tokenizer = AutoTokenizer.from_pretrained("GaborMadarasz/gemma_3_270m_ITN_finetune_16bit")
	```

	## Limitations and Bias

	- Méret: A 270M paraméter korlátozza a modell által kezelhető komplex eseteket (pl. összetett dátumok, többes számok mondaton belül)
	- Domain: A training data főleg Common Voice, VoxPopuli és Whisper forrásból származik, ami nem fedi le az összes magyar beszédtípust (pl. dialektusok, szaknyelv)
	- Hallucináció: Ritkán előfordulhat, hogy a modell nem csak a számokat normalizálja, hanem más szavakat is módosít
	- ITN coverage: A regex alapú normalizálás nem fedi le az összes magyar szám-kifejezést (pl. tört számok: "másfél", "háromnegyed")

	## Evaluation

	Az értékelés három független, a trainingből teljesen kizárt test set-en történt. Egyik test set sem volt benne a training datasetben (a Common Voice és VoxPopuli train splitjeiből származó adatokat használtunk csak a tanításhoz, a test splitjeiket kizárólag az értékeléshez).

	### Test Datasets

	\| Dataset \| Sorok \| Forrás \|
	\|---\|---\|---\|
	\| Common Voice test \| 1 000 \| Mozilla Common Voice hu test split \|
	\| VoxPopuli test \| 1 110 \| VoxPopuli hu test split \|
	\| FLEURS test \| 905 \| Google FLEURS hu test split \|
	\| Összesen \| 3 015 \| \|

	### Results

	\| Dataset \| Exact Match \| Number Accuracy \| WER \| CER \|
	\|---\|---\|---\|---\|---\|
	\| Common Voice test \| 97.70% \| 99.30% \| 0.35% \| 0.18% \|
	\| VoxPopuli test \| 96.94% \| 99.28% \| 0.82% \| 0.59% \|
	\| FLEURS test \| 93.81% \| 98.33% \| 1.93% \| 1.40% \|
	\| Összesített \| 96.25% \| 99.00% \| 1.15% \| 0.81% \|

	### Error Analysis

	A leggyakoribb hibatípusok a legrosszabb esetek alapján:

	1. Túl agresszív normalizálás (leggyakoribb): A modell olyan szavakat is számra cserél, amelyek csak tartalmazzák a szám tövét, de nem számok. Például:
	- "egészen" → "1." (hibás, az "egész" nem szám)
	- "egyike" → "1." (hibás, az "egyike" főnév)
	- "egyre" → "1re" (hibás, az "egyre" határozószó)

	2. Nagybetűsítés: A modell automatikusan nagybetűsíti a mondatkezdést, de a gold adat kisbetűs. Valójában helyesírásilag a modell kimenete a helyes, de nem egyezik a gold standarddal.

	3. Rossz számok (ritka): A modell néha rossz számot generál (pl. "négyszer" → "2-szer").

	4. Tartalmi változtatás (ritka): A modell néha szavakat hagy el vagy változtat meg a számokon kívül.

	### Metrikák magyarázata

	- Exact Match: A teljes normalizált szöveg pontos egyezése a gold-dal
	- Number Accuracy: Csak a számok/dátumok/mértékegységek helyessége
	- WER (Word Error Rate): Szószintű hibaarány
	- CER (Character Error Rate): Karakter szintű hibaarány


	## Limitations and Bias

	- Méret: A 270M paraméter korlátozza a modell által kezelhető komplex eseteket (pl. összetett dátumok, többes számok mondaton belül)
	- Túl agresszív normalizálás: A modell néha olyan szavakat is számra cserél, amelyek csak tartalmazzák a szám tövét ("egyike", "egész", "egyre")
	- Domain: A training data főleg Common Voice, VoxPopuli és Whisper forrásból származik, ami nem fedi le az összes magyar beszédtípust (pl. dialektusok, szaknyelv)

	## Citation

	```bibtex
	@misc{gemma3_270m_itn_hu,
	author = {Madarász, Gábor},
	title = {Gemma-3-270M Hungarian ITN Finetune},
	year = {2026},
	publisher = {HuggingFace},
	howpublished = {\url{https://huggingface.co/GaborMadarasz/gemma_3_270m_ITN_finetune_16bit}}
	}
	```

	## Acknowledgements

	- [Google Gemma Team](https://ai.google.dev/gemma) - a base modellért
	- [Unsloth](https://github.com/unslothai/unsloth) - a hatékony finetuning framework-ért
	- [Mozilla Common Voice](https://commonvoice.mozilla.org/hu) - a nyílt forrású magyar beszédkorpuszért
	- [VoxPopuli](https://github.com/facebookresearch/voxpopuli) - az EU parlamenti beszédekért
	- [OpenAI Whisper](https://github.com/openai/whisper) - az ASR kimenetekért