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

Libraries

How to use Finisha-F-scratch/Qsana-coder-base with Transformers:

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

pipe = pipeline("text-generation", model="Finisha-F-scratch/Qsana-coder-base")
messages = [
    {"role": "user", "content": "Who are you?"},
]
pipe(messages)

# Load model directly
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("Finisha-F-scratch/Qsana-coder-base")
model = AutoModelForCausalLM.from_pretrained("Finisha-F-scratch/Qsana-coder-base")
messages = [
    {"role": "user", "content": "Who are you?"},
]
inputs = tokenizer.apply_chat_template(
	messages,
	add_generation_prompt=True,
	tokenize=True,
	return_dict=True,
	return_tensors="pt",
).to(model.device)

outputs = model.generate(**inputs, max_new_tokens=40)
print(tokenizer.decode(outputs[0][inputs["input_ids"].shape[-1]:]))

Notebooks
Google Colab
Kaggle
Local Apps

vLLM

How to use Finisha-F-scratch/Qsana-coder-base with vLLM:

Install from pip and serve model

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

Use Docker

docker model run hf.co/Finisha-F-scratch/Qsana-coder-base

SGLang

How to use Finisha-F-scratch/Qsana-coder-base 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/Qsana-coder-base" \
    --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": "Finisha-F-scratch/Qsana-coder-base",
		"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 "Finisha-F-scratch/Qsana-coder-base" \
        --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": "Finisha-F-scratch/Qsana-coder-base",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Docker Model Runner
How to use Finisha-F-scratch/Qsana-coder-base with Docker Model Runner:
```
docker model run hf.co/Finisha-F-scratch/Qsana-coder-base
```
Browse Quantizations to use this model in llama.cpp, Ollama, LM Studio, or any compatible app.

🤖 Qsana-coder-base : L'Assistant de Pseudo-Code Éducatif

🌟 Mission & Positionnement

Qsana-coder-base est un Small Language Model (SLM) conçu pour la créativité conceptuelle autour des bases du codage (Python, pseudocode). Il ne vise PAS à produire du code exécutable en production, mais à générer des fragments de logique codée pour des contextes éducatifs et de prototypage rapide.

💡 Le but n'est pas la validité syntaxique à 100%, mais la stimulation de la pensée logique et la visualisation des concepts de codage (variables, boucles, conditions) pour les débutants.

🎯 Cas d'Usage Principaux

Emojis	Cas d'Usage	Description
🧑‍🏫	Outil Pédagogique	Générer des exemples de code courts et thématiques pour les jeunes apprenants (enfants, collégiens) qui illustrent la logique d'une fonction, même si la syntaxe est "créative".
🧪	Prototypage Conceptuel	Pour les développeurs qui veulent rapidement coucher sur le papier la structure d'une idée sans se soucier des détails syntaxiques stricts.
✍️	Génération de Pseudo-Code	Produire des fragments de code qui se rapprochent du langage naturel et qui sont faciles à expliquer sans nécessiter un environnement de développement complet.

⚙️ Détails Techniques

Modèle de Base : lam-4-zero-f (51M, Fine-Tuned)
Langage Principal : Français / Pseudo-Code Python
Précision Syntaxique : Intentionalité Créative (Non Rigide). Les erreurs de syntaxe font partie du comportement attendu pour illustrer le concept de "code prototype".
Poids / Efficacité : Optimisé pour une exécution locale rapide (SLM).

🛑 Limitations et Comportement Attendu

Veuillez noter le comportement intentionnel suivant de Qsana-coder-base :

Non-Exécutable : Le code généré n'est pas destiné à être copié/collé et exécuté sans correction.
Créativité Lexicale : Le modèle mélange parfois les opérateurs (<=, !=) et les mots-clés (continue, print) d'une manière qui n'est pas standard en Python. Ceci est le résultat du fine-tuning visant la créativité.
Utilisation du Chat Template : Pour obtenir les résultats les plus cohérents, il est fortement recommandé d'utiliser le Chat Template fourni.