Instructions to use Finisha-F-scratch/Lamina-basic with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use Finisha-F-scratch/Lamina-basic with Transformers:

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

pipe = pipeline("text-generation", model="Finisha-F-scratch/Lamina-basic")

# Load model directly
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("Finisha-F-scratch/Lamina-basic")
model = AutoModelForCausalLM.from_pretrained("Finisha-F-scratch/Lamina-basic")

Notebooks
Google Colab
Kaggle
Local Apps

vLLM

How to use Finisha-F-scratch/Lamina-basic with vLLM:

Install from pip and serve model

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

Use Docker

docker model run hf.co/Finisha-F-scratch/Lamina-basic

SGLang

How to use Finisha-F-scratch/Lamina-basic 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 "Finisha-F-scratch/Lamina-basic" \
    --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": "Finisha-F-scratch/Lamina-basic",
		"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 "Finisha-F-scratch/Lamina-basic" \
        --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": "Finisha-F-scratch/Lamina-basic",
		"prompt": "Once upon a time,",
		"max_tokens": 512,
		"temperature": 0.5
	}'

Docker Model Runner
How to use Finisha-F-scratch/Lamina-basic with Docker Model Runner:
```
docker model run hf.co/Finisha-F-scratch/Lamina-basic
```

Clemylia commited on Sep 22, 2025

Commit

314b2b3

verified ·

1 Parent(s): 0e44abd

Update README.md

Browse files

Files changed (1) hide show

README.md +2 -2

README.md CHANGED Viewed

@@ -16,11 +16,11 @@ Il a été conçu, entraîné et publié par **Clemylia**.
 ## \#\# 📝 Description du Modèle
-**Lamina-basic** est un petit modèle de langage de type GPT-2, avec une architecture simple de 3 millions de paramètres. Son unique compétence est la **complétion de texte** en français. Il a été entraîné sur un corpus très restreint, ce qui en fait principalement un outil de démonstration et d'apprentissage.
   * **🤖 Type de modèle :** Modèle de langage causal (Causal Language Model)
   * **🌐 Langue :** Français
-  * **📚 Données d'entraînement :** Un micro-dataset personnalisé contenant des règles de grammaire de base et quelques paragraphes de connaissances générales (biologie des insectes, faits de base).
   * **💻 Entraînement :** Entraîné depuis zéro ("from scratch") sur Google Colab.
 -----

 ## \#\# 📝 Description du Modèle
+**Lamina-basic** est un petit modèle de langage de type GPT-2, avec une architecture simple de 3 millions de paramètres. Son unique but est d'être la base de fondation du modèle de language Lamina.
   * **🤖 Type de modèle :** Modèle de langage causal (Causal Language Model)
   * **🌐 Langue :** Français
+  * **📚 Données d'entraînement :** Un dataset personnalisé contenant des règles de grammaire de base et quelques paragraphes de connaissances générales (biologie des insectes, faits de base).
   * **💻 Entraînement :** Entraîné depuis zéro ("from scratch") sur Google Colab.
 -----