Instructions to use RAANA-IA/Gamia-lisaGame with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use RAANA-IA/Gamia-lisaGame with Transformers:

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

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

# Load model directly
from transformers import AutoTokenizer, AutoModelForMultimodalLM

tokenizer = AutoTokenizer.from_pretrained("RAANA-IA/Gamia-lisaGame")
model = AutoModelForMultimodalLM.from_pretrained("RAANA-IA/Gamia-lisaGame")
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 Settings

vLLM

How to use RAANA-IA/Gamia-lisaGame with vLLM:

Install from pip and serve model

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

Use Docker

docker model run hf.co/RAANA-IA/Gamia-lisaGame

SGLang

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

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

💖 Documentation Technique : Gamia-lisagame

Version : 1.0 (Fine-tuned from Gamia-pygame-v1) Architecture de base : Transformers Domaine : Développement de jeux web 2D (HTML5 Canvas / JavaScript) simples.

📝 Présentation du Modèle

Gamia-lisagame est un modèle de langage spécialisé, issu du fine-tuning de Gamia-pygame-v1. Là où son prédécesseur excellait dans l'environnement Python, cette version a été optimisée pour la logique événementielle du navigateur et le rendu graphique via l'API Canvas. 🚀

🛠️ Spécifications d'Entraînement

Le modèle a été entraîné sur un dataset propriétaire ultra-spécialisé, privilégiant la texture du code et l'originalité des mécaniques de jeu.

Optimisation : Conçu pour tourner efficacement sur du matériel simple.
Format de sortie : Code monolithique (HTML/CSS/JS combinés) (jeux 2d ultra simples seulement).
Capacités : * Gestion des collisions 💥
- Boucles de jeu (Game Loops) fluides 🔄
- Génération de sprites en ASCII ou formes géométriques 🎨
- Logique de scoring et états de jeu (Start/Game Over) 🏆

💻 Structure de Sortie Standard

Le modèle génère généralement une structure optimisée pour une lecture directe par le navigateur :

Boilerplate HTML5 : Déclaration du
CSS Inline : Pour le centrage et le style du jeu.
Core Logic (JS) :

init() : Initialisation des variables.
update() : Calcul des positions et physiques.
draw() : Rendu visuel à 60 FPS.

🚀 Exemples d'implémentation

Voici les types de projets où Gamia-lisagame performe le mieux :

Type de Jeu	Fonctionnalités Clés
Arcade Classique	Systèmes de particules simples, contrôles au clavier.
Puzzle Game	Logique de grille, tableaux de données JavaScript.
Simulation	Automates cellulaires ou physiques de rebond.

Fine-tuning de Cinquième génération

Downloads last month: 15

Safetensors

Model size

1B params

Tensor type

BF16

Model tree for RAANA-IA/Gamia-lisaGame

Base model

RAANA-IA/Gamia-pygame-v1

Finetuned

(1)

this model

Quantizations

1 model