Instructions to use guifav/caramelo-gemma4-e4b-lora-adapter with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use guifav/caramelo-gemma4-e4b-lora-adapter with Transformers:

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

pipe = pipeline("text-generation", model="guifav/caramelo-gemma4-e4b-lora-adapter")
messages = [
    {"role": "user", "content": "Who are you?"},
]
pipe(messages)

# Load model directly
from transformers import AutoModel
model = AutoModel.from_pretrained("guifav/caramelo-gemma4-e4b-lora-adapter", device_map="auto")

Notebooks
Google Colab
Kaggle
Local Apps Settings

vLLM

How to use guifav/caramelo-gemma4-e4b-lora-adapter with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "guifav/caramelo-gemma4-e4b-lora-adapter"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "guifav/caramelo-gemma4-e4b-lora-adapter",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker

docker model run hf.co/guifav/caramelo-gemma4-e4b-lora-adapter

SGLang

How to use guifav/caramelo-gemma4-e4b-lora-adapter 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 "guifav/caramelo-gemma4-e4b-lora-adapter" \
    --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": "guifav/caramelo-gemma4-e4b-lora-adapter",
		"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 "guifav/caramelo-gemma4-e4b-lora-adapter" \
        --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": "guifav/caramelo-gemma4-e4b-lora-adapter",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Docker Model Runner
How to use guifav/caramelo-gemma4-e4b-lora-adapter with Docker Model Runner:
```
docker model run hf.co/guifav/caramelo-gemma4-e4b-lora-adapter
```

guifav commited on Jul 2

Commit

7d210ba

verified ·

1 Parent(s): ee06a3f

Upload README.md with huggingface_hub

Browse files

Files changed (1) hide show

README.md +5 -1

README.md CHANGED Viewed

@@ -18,7 +18,9 @@ tags:
 # Caramelo 4.4.1
-Modelo de IA brasileiro treinado por **Guilherme Favaron** sobre modelos open source. Esta versão usa como base o `google/gemma-4-E4B-it` (Gemma 4 E4B, Apache-2.0) e aplica um fine-tune LoRA que ensina a voz de escrita do autor: resposta direta em português do Brasil, argumento com dado e exemplo, sem hype e sem emoji.
 Em produção em [ia-caramelo.com](https://ia-caramelo.com) desde julho de 2026, servindo API compatível com a OpenAI, app web e CLI (`caramelo-chat` no npm). Gratuito, com limites de uso.
@@ -43,6 +45,8 @@ Nos 24 prompts held-out do benchmark do projeto:
 O 4.4.1 escreve respostas mais completas que o 3.4.2 (~400 vs ~270 tokens em média); no julgamento cego, os juízes apontaram que a versão anterior omitia conteúdo relevante com mais frequência.
 ## Produção
 Servido em CPU (llama.cpp, GGUF `Q4_K_M`, 5,0 GiB) a ~18,5 tokens/s em 4 vCPUs. O chat template do Gemma 4 liga thinking por padrão; em produção o servidor roda com `--reasoning off`. A persona e a camada de segurança são injetadas server-side pelo gateway e têm prioridade sobre instruções do usuário.

 # Caramelo 4.4.1
+Modelo de IA brasileiro treinado por **Guilherme Favaron** sobre modelos open source. Esta versão usa como base o `google/gemma-4-E4B-it` (Gemma 4 E4B, Apache-2.0) e aplica um fine-tune LoRA que treina síntese e comunicação na voz de escrita do autor: resposta direta em português do Brasil, argumento com dado e exemplo, sem hype e sem emoji.
+A premissa do projeto: a forma de comunicar é parte da performance. Nos testes cegos abaixo, o fine-tune vence o próprio modelo base em **qualidade**, além do estilo. No ciclo em que o raciocínio bruto foi medido (3.4.2, 1.432 questões do ENEM), ele ficou no nível do base.
 Em produção em [ia-caramelo.com](https://ia-caramelo.com) desde julho de 2026, servindo API compatível com a OpenAI, app web e CLI (`caramelo-chat` no npm). Gratuito, com limites de uso.
 O 4.4.1 escreve respostas mais completas que o 3.4.2 (~400 vs ~270 tokens em média); no julgamento cego, os juízes apontaram que a versão anterior omitia conteúdo relevante com mais frequência.
+Esses números sustentam a premissa: treinar comunicação melhora a performance medida da tarefa. No ciclo anterior (3.4.2), o raciocínio bruto foi medido em 1.432 questões do ENEM e ficou no nível do base (57,5% vs 57,2%), enquanto a qualidade julgada às cegas venceu o base em 66–70%.
 ## Produção
 Servido em CPU (llama.cpp, GGUF `Q4_K_M`, 5,0 GiB) a ~18,5 tokens/s em 4 vCPUs. O chat template do Gemma 4 liga thinking por padrão; em produção o servidor roda com `--reasoning off`. A persona e a camada de segurança são injetadas server-side pelo gateway e têm prioridade sobre instruções do usuário.