Instructions to use kazuHF/llm-jp-3-13b-it2_lora with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use kazuHF/llm-jp-3-13b-it2_lora with Transformers:

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

pipe = pipeline("text-generation", model="kazuHF/llm-jp-3-13b-it2_lora")

# Load model directly
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("kazuHF/llm-jp-3-13b-it2_lora")
model = AutoModelForCausalLM.from_pretrained("kazuHF/llm-jp-3-13b-it2_lora")

Notebooks
Google Colab
Kaggle
Local Apps Settings

vLLM

How to use kazuHF/llm-jp-3-13b-it2_lora with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "kazuHF/llm-jp-3-13b-it2_lora"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "kazuHF/llm-jp-3-13b-it2_lora",
		"prompt": "Once upon a time,",
		"max_tokens": 512,
		"temperature": 0.5
	}'

Use Docker

docker model run hf.co/kazuHF/llm-jp-3-13b-it2_lora

SGLang

How to use kazuHF/llm-jp-3-13b-it2_lora 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 "kazuHF/llm-jp-3-13b-it2_lora" \
    --host 0.0.0.0 \
    --port 30000
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:30000/v1/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "kazuHF/llm-jp-3-13b-it2_lora",
		"prompt": "Once upon a time,",
		"max_tokens": 512,
		"temperature": 0.5
	}'

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 "kazuHF/llm-jp-3-13b-it2_lora" \
        --host 0.0.0.0 \
        --port 30000
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:30000/v1/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "kazuHF/llm-jp-3-13b-it2_lora",
		"prompt": "Once upon a time,",
		"max_tokens": 512,
		"temperature": 0.5
	}'

Unsloth Studio

How to use kazuHF/llm-jp-3-13b-it2_lora 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 kazuHF/llm-jp-3-13b-it2_lora 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 kazuHF/llm-jp-3-13b-it2_lora to start chatting

Using HuggingFace Spaces for Unsloth

# No setup required
# Open https://huggingface.co/spaces/unsloth/studio in your browser
# Search for kazuHF/llm-jp-3-13b-it2_lora to start chatting

Load model with FastModel

pip install unsloth
from unsloth import FastModel
model, tokenizer = FastModel.from_pretrained(
    model_name="kazuHF/llm-jp-3-13b-it2_lora",
    max_seq_length=2048,
)

Docker Model Runner
How to use kazuHF/llm-jp-3-13b-it2_lora with Docker Model Runner:
```
docker model run hf.co/kazuHF/llm-jp-3-13b-it2_lora
```

kazuHF commited on Dec 17, 2024

Commit

73f1952

verified ·

1 Parent(s): 664d30a

Update README.md

Browse files

Files changed (1) hide show

README.md +7 -7

README.md CHANGED Viewed

@@ -22,7 +22,7 @@ This llama model was trained 2x faster with [Unsloth](https://github.com/unsloth
 [<img src="https://raw.githubusercontent.com/unslothai/unsloth/main/images/unsloth%20made%20with%20love.png" width="200"/>](https://github.com/unslothai/unsloth)
-# kazuHF/llm-jp-3-13b-it2_loraの概要
 1. モデル概要
 - ベースモデル: llm-jp/llm-jp-3-13b (https://huggingface.co/llm-jp/llm-jp-3-13b)
@@ -55,9 +55,9 @@ This llama model was trained 2x faster with [Unsloth](https://github.com/unsloth
 - 東京大学 松尾・岩澤研究室主催の大規模言語モデルDeep Learning応用講座 2024|Fall を受講することで本モデルが作製できた。同講座に関係する方々並びに同講座を受講された方々に心より深謝する。
-# 推論方法の詳細
-◆ Google Colaboratory上のL4での推論
 1. Google Colaboratory上で、サンプルコードの
 	Model_Inference_Template_20241127.jpynb
@@ -86,14 +86,14 @@ This llama model was trained 2x faster with [Unsloth](https://github.com/unsloth
 14. 推論結果をjsonlで保存。
-# ◆ 事後学習の詳細
-◆ Hugging Faceでwrite権限のあるtokenの取得
 1. 自身のHugging Faceにlog inし、自身のProfileのSettingに入り、Access Tokenに入る。
 2. Create New Tokenをクリックし、Token type からWriteを選択し、Token nameを設定してから、Create tokenをクリックする。tokenを保存しておく。
-◆ 事後学習のためのデータの入手
 1. LLMのための日本語インストラクションデータ公開ページに入る。( https://liat-aip.sakura.ne.jp/wp/llm%e3%81%ae%e3%81%9f%e3%82%81%e3%81%ae%e6%97%a5%e6%9c%ac%e8%aa%9e%e3%82%a4%e3%83%b3%e3%82%b9%e3%83%88%e3%83%a9%e3%82%af%e3%82%b7%e3%83%a7%e3%83%b3%e3%83%87%e3%83%bc%e3%82%bf%e4%bd%9c%e6%88%90/llm%e3%81%ae%e3%81%9f%e3%82%81%e3%81%ae%e6%97%a5%e6%9c%ac%e8%aa%9e%e3%82%a4%e3%83%b3%e3%82%b9%e3%83%88%e3%83%a9%e3%82%af%e3%82%b7%e3%83%a7%e3%83%b3%e3%83%87%e3%83%bc%e3%82%bf-%e5%85%ac%e9%96%8b/ )
 2. ダウンロードのための必要事項記入フォームに記入。(https://docs.google.com/forms/d/1CeYoFrMJnCFbH71RGxOaAIDGDBofUSAEdEcmiLR-Uko/viewform?edit_requested=true)
@@ -103,7 +103,7 @@ https://drive.google.com/file/d/1U_GQ43hc2EYTKO-gvswooR0UY12alB0z/view?usp=drive
 	ichikara-instruction-003-001-1.json
 などのjsonファイルのデータが入手できる。これをモデルの事後学習であるSFTやRLHFのための学習データとして利用する。
-◆ Google Colaboratory上のL4での事後学習
 1. Google Colaboratory上で、サンプルコードの
 	LoRA_template_unsloth_20241127.jpynb

 [<img src="https://raw.githubusercontent.com/unslothai/unsloth/main/images/unsloth%20made%20with%20love.png" width="200"/>](https://github.com/unslothai/unsloth)
+# ■ kazuHF/llm-jp-3-13b-it2_loraの概要
 1. モデル概要
 - ベースモデル: llm-jp/llm-jp-3-13b (https://huggingface.co/llm-jp/llm-jp-3-13b)
 - 東京大学 松尾・岩澤研究室主催の大規模言語モデルDeep Learning応用講座 2024|Fall を受講することで本モデルが作製できた。同講座に関係する方々並びに同講座を受講された方々に心より深謝する。
+# ■ 推論方法の詳細
+◆ Google Colaboratory上のGPUで推論する場合
 1. Google Colaboratory上で、サンプルコードの
 	Model_Inference_Template_20241127.jpynb
 14. 推論結果をjsonlで保存。
+# ■ 事後学習の詳細
+◇ Hugging Faceでwrite権限のあるtokenの取得
 1. 自身のHugging Faceにlog inし、自身のProfileのSettingに入り、Access Tokenに入る。
 2. Create New Tokenをクリックし、Token type からWriteを選択し、Token nameを設定してから、Create tokenをクリックする。tokenを保存しておく。
+◇ 事後学習のためのデータの入手
 1. LLMのための日本語インストラクションデータ公開ページに入る。( https://liat-aip.sakura.ne.jp/wp/llm%e3%81%ae%e3%81%9f%e3%82%81%e3%81%ae%e6%97%a5%e6%9c%ac%e8%aa%9e%e3%82%a4%e3%83%b3%e3%82%b9%e3%83%88%e3%83%a9%e3%82%af%e3%82%b7%e3%83%a7%e3%83%b3%e3%83%87%e3%83%bc%e3%82%bf%e4%bd%9c%e6%88%90/llm%e3%81%ae%e3%81%9f%e3%82%81%e3%81%ae%e6%97%a5%e6%9c%ac%e8%aa%9e%e3%82%a4%e3%83%b3%e3%82%b9%e3%83%88%e3%83%a9%e3%82%af%e3%82%b7%e3%83%a7%e3%83%b3%e3%83%87%e3%83%bc%e3%82%bf-%e5%85%ac%e9%96%8b/ )
 2. ダウンロードのための必要事項記入フォームに記入。(https://docs.google.com/forms/d/1CeYoFrMJnCFbH71RGxOaAIDGDBofUSAEdEcmiLR-Uko/viewform?edit_requested=true)
 	ichikara-instruction-003-001-1.json
 などのjsonファイルのデータが入手できる。これをモデルの事後学習であるSFTやRLHFのための学習データとして利用する。
+◆ Google Colaboratory上のGPUでの事後学習
 1. Google Colaboratory上で、サンプルコードの
 	LoRA_template_unsloth_20241127.jpynb