Instructions to use DeepMount00/Mistral-RAG with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use DeepMount00/Mistral-RAG with Transformers:

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

pipe = pipeline("text-generation", model="DeepMount00/Mistral-RAG")

# Load model directly
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("DeepMount00/Mistral-RAG")
model = AutoModelForCausalLM.from_pretrained("DeepMount00/Mistral-RAG")

Inference
Notebooks
Google Colab
Kaggle
Local Apps

vLLM

How to use DeepMount00/Mistral-RAG with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "DeepMount00/Mistral-RAG"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "DeepMount00/Mistral-RAG",
		"prompt": "Once upon a time,",
		"max_tokens": 512,
		"temperature": 0.5
	}'

Use Docker

docker model run hf.co/DeepMount00/Mistral-RAG

SGLang

How to use DeepMount00/Mistral-RAG 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 "DeepMount00/Mistral-RAG" \
    --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": "DeepMount00/Mistral-RAG",
		"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 "DeepMount00/Mistral-RAG" \
        --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": "DeepMount00/Mistral-RAG",
		"prompt": "Once upon a time,",
		"max_tokens": 512,
		"temperature": 0.5
	}'

Docker Model Runner
How to use DeepMount00/Mistral-RAG with Docker Model Runner:
```
docker model run hf.co/DeepMount00/Mistral-RAG
```

DeepMount00 commited on Apr 20, 2024

Commit

bf04be8

verified ·

1 Parent(s): 4f19204

Update README.md

Browse files

Files changed (1) hide show

README.md +5 -3

README.md CHANGED Viewed

@@ -26,7 +26,7 @@ def generate_answer(prompt, response_type="generativo"):
         prompt = f"Rispondi alla seguente domanda in modo estrattivo, basandoti esclusivamente sul contesto.\n{prompt}"
     else:
         prompt = f"Rispondi alla seguente domanda in modo generativo, basandoti esclusivamente sul contesto.\n{prompt}"
     # Preparazione del messaggio per il modello
     messages = [
         {"role": "user", "content": prompt},
@@ -35,14 +35,16 @@ def generate_answer(prompt, response_type="generativo"):
     generated_ids = model.generate(model_inputs, max_new_tokens=200, do_sample=True,
                                    temperature=0.001, eos_token_id=tokenizer.eos_token_id)
     decoded = tokenizer.batch_decode(generated_ids, skip_special_tokens=True)
-    return decoded[0]
 # Esempio di utilizzo con la nuova funzionalità
 contesto = """Venerdì più di 2.100 persone che vivono vicino a un vulcano in Indonesia sono state sfollate per i rischi legati a un’eruzione. Martedì infatti l’isola vulcanica di Ruang, che si trova circa 100 chilometri a nord di Sulawesi, ha cominciato a eruttare, producendo una colonna di fumo e ceneri che ieri ha raggiunto 1.200 metri di altezza. Le operazioni di evacuazione sono ancora in corso: complessivamente sono più di 11mila le persone a cui è stato detto di lasciare le proprie case. Gran parte di loro vive sulla vicina isola di Tagulandang, che in totale ha 20mila abitanti; potrebbe essere raggiunta non solo dalle ceneri vulcaniche e dai piroclasti, ma anche da un eventuale tsunami causato dalla caduta in mare di lava e rocce."""
 domanda = "Perchè le persone sono evacuate dalle case?"
 prompt = f"Contesto: {contesto}\nDomanda: {domanda}"
-# Chiamata alla funzione generate_answer con il tipo di risposta desiderato
 answer = generate_answer(prompt, "estrattivo")
 print(answer)
 ```

         prompt = f"Rispondi alla seguente domanda in modo estrattivo, basandoti esclusivamente sul contesto.\n{prompt}"
     else:
         prompt = f"Rispondi alla seguente domanda in modo generativo, basandoti esclusivamente sul contesto.\n{prompt}"
     # Preparazione del messaggio per il modello
     messages = [
         {"role": "user", "content": prompt},
     generated_ids = model.generate(model_inputs, max_new_tokens=200, do_sample=True,
                                    temperature=0.001, eos_token_id=tokenizer.eos_token_id)
     decoded = tokenizer.batch_decode(generated_ids, skip_special_tokens=True)
+    return decoded[0].split("[/INST]", 1)[1].strip() if "[/INST]" in decoded[0] else "Errore nella generazione della risposta"
 # Esempio di utilizzo con la nuova funzionalità
 contesto = """Venerdì più di 2.100 persone che vivono vicino a un vulcano in Indonesia sono state sfollate per i rischi legati a un’eruzione. Martedì infatti l’isola vulcanica di Ruang, che si trova circa 100 chilometri a nord di Sulawesi, ha cominciato a eruttare, producendo una colonna di fumo e ceneri che ieri ha raggiunto 1.200 metri di altezza. Le operazioni di evacuazione sono ancora in corso: complessivamente sono più di 11mila le persone a cui è stato detto di lasciare le proprie case. Gran parte di loro vive sulla vicina isola di Tagulandang, che in totale ha 20mila abitanti; potrebbe essere raggiunta non solo dalle ceneri vulcaniche e dai piroclasti, ma anche da un eventuale tsunami causato dalla caduta in mare di lava e rocce."""
 domanda = "Perchè le persone sono evacuate dalle case?"
 prompt = f"Contesto: {contesto}\nDomanda: {domanda}"
 answer = generate_answer(prompt, "estrattivo")
 print(answer)
 ```