Instructions to use UpMath/Thai-HomeworkGen-7.2B-v1 with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use UpMath/Thai-HomeworkGen-7.2B-v1 with Transformers:

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

pipe = pipeline("text-generation", model="UpMath/Thai-HomeworkGen-7.2B-v1")
messages = [
    {"role": "user", "content": "Who are you?"},
]
pipe(messages)

# Load model directly
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("UpMath/Thai-HomeworkGen-7.2B-v1")
model = AutoModelForCausalLM.from_pretrained("UpMath/Thai-HomeworkGen-7.2B-v1")
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 UpMath/Thai-HomeworkGen-7.2B-v1 with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "UpMath/Thai-HomeworkGen-7.2B-v1"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "UpMath/Thai-HomeworkGen-7.2B-v1",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker

docker model run hf.co/UpMath/Thai-HomeworkGen-7.2B-v1

SGLang

How to use UpMath/Thai-HomeworkGen-7.2B-v1 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 "UpMath/Thai-HomeworkGen-7.2B-v1" \
    --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": "UpMath/Thai-HomeworkGen-7.2B-v1",
		"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 "UpMath/Thai-HomeworkGen-7.2B-v1" \
        --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": "UpMath/Thai-HomeworkGen-7.2B-v1",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Docker Model Runner
How to use UpMath/Thai-HomeworkGen-7.2B-v1 with Docker Model Runner:
```
docker model run hf.co/UpMath/Thai-HomeworkGen-7.2B-v1
```

🤖 Thai-HomeworkGen — โมเดลสร้าง/แก้โจทย์คณิตศาสตร์ภาษาไทย

Thai-HomeworkGen เป็นโมเดลภาษาไทยขนาด 7B ที่ถูก fine-tune ด้วยเทคนิค Supervised Fine-tuning (SFT)
โดยใช้ไลบรารี trl ร่วมกับ QLoRA บนฐาน mistralai/Mistral-7B-Instruct-v0.3

🧪 ตัวอย่างการใช้งาน

from transformers import pipeline, AutoTokenizer, AutoModelForCausalLM
import torch

tokenizer = AutoTokenizer.from_pretrained("UpMath/Thai-HomeworkGen-7.2B-v1")
model = AutoModelForCausalLM.from_pretrained("UpMath/Thai-HomeworkGen-7.2B-v1",device_map="auto")

generator = pipeline(
    "text-generation",
    model=model,
    tokenizer=tokenizer,
    device_map="auto",
    max_new_tokens=2048,
    do_sample=True,
    temperature=0.7,
    pad_token_id=tokenizer.eos_token_id
)

prompt = """
  ระดับ Bloom: "วิเคราะห์" # หรือ ["วิเคราะห์", "จดจำ"]
  ระดับชั้น: 'มัธยมศึกษาปีที่ 4'
  โปรดสร้างโจทย์ พร้อมวิธีทำและคำตอบ:
"""

result = generator(prompt)[0]['generated_text']
print(result)

🎯 จุดประสงค์ของโมเดล

✅ สร้างโจทย์คณิตศาสตร์ใหม่ในรูปแบบภาษาไทย
✅ แสดงวิธีทำและคำตอบที่ชัดเจน
✅ รองรับระดับความคิดตามแนวทาง Bloom’s Taxonomy
✅ ออกแบบมาเพื่อใช้ในบริบทการศึกษา การสอน และการวัดผล reasoning

🧠 ข้อมูลการฝึก (Training Details)

Base Model: mistralai/Mistral-7B-Instruct-v0.3
Library: trl (SFTTrainer)
Adapter: QLoRA (peft)
Batch Size: 2 × 4 (gradient_accumulation)
Epochs: 3
Sequence Length: 1024
Dataset: Thai Math Dataset (~32K examples, translated + aligned)

โมเดลถูกฝึกด้วย QLoRA โดยใช้เทคนิค low-rank adapter (LoRA) ร่วมกับ quantization 4-bit
เพื่อให้สามารถฝึกบน GPU ขนาดกลาง เช่น A100 หรือ Colab Pro ได้อย่างมีประสิทธิภาพ

📦 Dataset ที่ใช้

ชื่อชุดข้อมูล: Thai-HomeworkGen-32K เนื้อหา: โจทย์คณิตศาสตร์ภาษาไทยระดับมัธยมปลาย พร้อมวิธีทำ คำตอบ และระดับ Bloom Taxonomy ต้นฉบับแปลจากชุดข้อมูลภาษาอังกฤษ

ชุดข้อมูลถูกแปลและจัดโครงสร้างโดยใช้ LLM (Gemma 2 27B) พร้อมตรวจสอบโดยผู้เชี่ยวชาญจาก สวทช.

👉 ดูรายละเอียดของ Dataset

การอ้างอิง

หากคุณใช้งานโมเดลนี้ สามารถให้เครดิตโปรเจกต์นี้ได้ด้วย

Downloads last month: 2

Model tree for UpMath/Thai-HomeworkGen-7.2B-v1

Base model

mistralai/Mistral-7B-v0.3

Finetuned

mistralai/Mistral-7B-Instruct-v0.3

Finetuned

(511)

this model