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 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
Model type: Gemma-3 270M with LoRA adapters (merged to 16-bit)
Language: Hungarian (hu)
License: Gemma
Finetuning framework: 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

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

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:

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

@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 - a base modellért
Unsloth - a hatékony finetuning framework-ért
Mozilla Common Voice - a nyílt forrású magyar beszédkorpuszért
VoxPopuli - az EU parlamenti beszédekért
OpenAI Whisper - az ASR kimenetekért

Downloads last month: 170

Safetensors

Model size

0.3B params

Tensor type

BF16

Model tree for GaborMadarasz/gemma_3_270m_ITN_finetune_16bit

Base model

google/gemma-3-270m

Finetuned

google/gemma-3-270m-it

Finetuned

unsloth/gemma-3-270m-it

Finetuned

(424)

this model