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

Libraries

How to use Finisha-F-scratch/Mini-nacid with Transformers:

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

pipe = pipeline("text-generation", model="Finisha-F-scratch/Mini-nacid")

# Load model directly
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("Finisha-F-scratch/Mini-nacid")
model = AutoModelForCausalLM.from_pretrained("Finisha-F-scratch/Mini-nacid")

Notebooks
Google Colab
Kaggle
Local Apps

vLLM

How to use Finisha-F-scratch/Mini-nacid with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "Finisha-F-scratch/Mini-nacid"
# 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/Mini-nacid",
		"prompt": "Once upon a time,",
		"max_tokens": 512,
		"temperature": 0.5
	}'

Use Docker

docker model run hf.co/Finisha-F-scratch/Mini-nacid

SGLang

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

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

🔬 Mini-Nacid : L'Atome Intelligent (13k)

Mini-Nacid est un Micro-Modèle de Langage (SLM) conçu from scratch. Il explore les limites extrêmes de la compression cognitive : comment faire émerger une syntaxe et un univers sémantique avec un nombre de paramètres inférieur à la plupart des fonctions de calcul standards.

📊 Spécifications Techniques

Taille : 13 000 paramètres (0.013M) 🧠
Entraînement : +106 000 tokens d'un dataset propriétaire ultra-dense 📚
Architecture : "From Scratch"
Objectif : Exploration de la morphologie du langage et de la gestion des concepts clés (Lamina, Web, Impact, Organisation).

⚡ Performance & Comportement

Là où les modèles massifs cherchent la vérité, Mini-Nacid cherche la structure.

Syntaxe vivante : Le modèle ne se contente pas de prédire des mots, il génère des "paysages de données" où les termes techniques se télescopent.
Zéro Lissage : Contrairement aux IA commerciales, Mini-Nacid conserve une rugosité brute. On y voit les os du modèle : les articles, les connecteurs et les points de rupture.

🧩 Extraits de Sortie (Anatomie)

"Le ? fait ( identifier ( type web même organisation montée nombre idées la : mondiaux d : l l web sur type..."

Analyse : On observe une tentative de hiérarchisation via les signes ":" et une répétition structurelle des thèmes de montée en puissance et d'organisation.

🛠️ Usage Prévu

Mini-Nacid n'est pas un assistant, c'est un noyau. Il est idéal pour :

L'étude de l'émergence syntaxique en milieu contraint. 🏗️
L'intégration dans des systèmes embarqués ultra-légers. 🔋
La génération de textures textuelles pour des univers cybernétiques ou expérimentaux. 🌐

Downloads last month: 3

Safetensors

Model size

13.1k params

Tensor type

F32

Dataset used to train Finisha-F-scratch/Mini-nacid

Collections including Finisha-F-scratch/Mini-nacid

From scratch

Collection

Finisha SLM ✨ • 87 items • Updated Mar 23

Petits-modèles (TLM)

Collection

Chez Finisha, les modèles de langages crée avec transformers sont considérés comme des TLM si ils ont moins de 12 millions de parametres. • 14 items • Updated Mar 23