Instructions to use Flashtond22/Piros-Toll with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use Flashtond22/Piros-Toll with Transformers:

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

pipe = pipeline("text-generation", model="Flashtond22/Piros-Toll")
messages = [
    {"role": "user", "content": "Who are you?"},
]
pipe(messages)

# Load model directly
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("Flashtond22/Piros-Toll")
model = AutoModelForCausalLM.from_pretrained("Flashtond22/Piros-Toll", device_map="auto")
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 Settings

vLLM

How to use Flashtond22/Piros-Toll with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "Flashtond22/Piros-Toll"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "Flashtond22/Piros-Toll",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker

docker model run hf.co/Flashtond22/Piros-Toll

SGLang

How to use Flashtond22/Piros-Toll 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 "Flashtond22/Piros-Toll" \
    --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": "Flashtond22/Piros-Toll",
		"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 "Flashtond22/Piros-Toll" \
        --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": "Flashtond22/Piros-Toll",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Docker Model Runner
How to use Flashtond22/Piros-Toll with Docker Model Runner:
```
docker model run hf.co/Flashtond22/Piros-Toll
```
Browse Quantizations to use this model in llama.cpp, Ollama, LM Studio, or any compatible app.

✏️ PIROS TOLL

Magyar helyesírás-javító és ékezetesítő

Nem írja át a szövegedet. Kijavítja.

Készítette: Flashtond

Fut telefonon · Elmagyarázza a javításait · Békén hagyja a hibátlan szöveget

Két dolgot tud, amit érdemes kipróbálni

1. Helyesírás és nyelvhelyesség

Tegnap a boltba voltam és vettem egy nagy mértékben olcsó kenyeret.
                ↓
Tegnap a boltban voltam, és vettem egy nagymértékben olcsó kenyeret.

2. Ékezetesítés

Telefonon, angol billentyűzeten, sietve senki nem tesz ki ékezetet. Írd le ahogy esik, a Piros Toll helyreteszi:

A gyerekek mar reg alszanak, csendben gyere haza es ne kapcsold fel a villanyt.
                ↓
A gyerekek már rég alszanak, csendben gyere haza és ne kapcsold fel a villanyt.

Kerlek kuldd el a szamlat meg ma delutan, mert surgos.
                ↓
Kérlek küldd el a számlát még ma délután, mert sürgős.

Eredmények

Két tesztsoron mérve. A valódi tesztsor kézzel írt mondatokból áll: olyan hibákkal, amiket magyarul írók tényleg elkövetnek, és nyolc szándékosan hibátlan mondattal, amikhez nem szabad hozzányúlni.

Mérőszám	Szintetikus teszt	Valódi teszt
Precizitás	85,3 %	74,3 %
Fedés	73,7 %	55,3 %
F0.5	82,7 %	69,5 %
Tökéletes javítás	55,0 %	58,8 %
Hibátlant békén hagy	90,0 %	87,5 %

Minden második mondat szó szerint tökéletesen jön vissza, és a hibátlan szövegek 87,5%-át érintetlenül hagyja. Ez utóbbi a legfontosabb szám: egy javítóeszköz akkor használható, ha megbízol benne.

Az F0.5 a fő mérőszám, mert egy javítóeszköznél a hamis javítás súlyosabb hiba, mint a kihagyott. Ha a modell elront egy helyes szót, onnantól mindent ellenőrizned kell.

Erősségek kategóriánként

Terület	Találat
`j` és `ly`	2/2
`-val/-vel` hasonulás	2/2
`a` és `az` névelő	1/1
Ikes igék	1/1
`-ba/-be` és `-ban/-ben`	3/4
Hibátlan szöveg érintetlenül	7/8

Használat

Ollama

ollama run hf.co/Flashtond22/Piros-Toll-GGUF:Q8_0

llama.cpp

llama-cli -m PirosToll-Tiszta-Q8_0.gguf -p "<hiba>Tegnap a boltba voltam.<javit>" -n 200 --temp 0

Transformers

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

MODEL = "Flashtond22/Piros-Toll"
tok   = AutoTokenizer.from_pretrained(MODEL)
model = AutoModelForCausalLM.from_pretrained(MODEL, dtype=torch.bfloat16)

szoveg = "Tegnap a boltba voltam es vettem egy nagy mertekben olcso kenyeret."
be = tok("<hiba>" + szoveg + "<javit>", return_tensors="pt")
ki = model.generate(**be, max_new_tokens=300, do_sample=False)
print(tok.decode(ki[0][be.input_ids.shape[1]:], skip_special_tokens=True))

A formátum egyszerű: <hiba> + a szöveged + <javit>, és a modell a javított változatot írja.

Beállítások

Beállítás	Érték	Miért
`do_sample`	False	A javítás nem kreatív feladat. Mintavételezéssel a modell átfogalmazhat.
`temperature`	0.0	Ugyanez az ok.
bemenet	egy bekezdés	Hosszabb szöveget bontsd bekezdésekre.

Hol fut el

Formátum	Méret	Hardver
GGUF `Q4_K_M`	56 MB	Bármi. Telefon, Raspberry Pi, tíz éves laptop.
GGUF `Q8_0`	94 MB	Processzoron gyors, videokártya nem kell.
bf16	177 MB	Bármelyik videokártya.

Ez a modell szándékosan kicsi. Egy helyesírás-javítónak ott kell futnia, ahol a felhasználó van, nem a felhőben.

Korlátok

Helyesírást és nyelvhelyességet javít. Nem stilisztikai szerkesztő, nem fogalmaz újra, és nem ellenőrzi, hogy amit írtál, az igaz-e.

Ritka szavakon, szakszavakon és szokatlan tulajdonneveken szándékosan óvatos: ha valamit nem ismer, inkább nem nyúl hozzá. Cserébe nem is ront el neveket.

A teljesen ékezetlen szövegnél a rövid, ritka szavakat néha eltéveszti. Hosszabb, összefüggő mondatokon lényegesen pontosabb, mert a szövegkörnyezet segít.

A javasolt változtatásokat érdemes átnézni. A magyar helyesírásban sok eset van, ahol a szövegkörnyezet dönt.

Eredet

A modell súlyai véletlen inicializálásból, kizárólag saját tanítási eljárással készültek. Nem tartalmaznak más modellből átvett paramétert. A tokenizer is saját, magyar szövegre tanítva.

Az architektúra a nyilvánosan dokumentált Llama-típusú felépítést követi, hogy a modell a szabványos futtatókörnyezetekben működjön.

Licenc

CC BY-NC-ND 4.0: Nevezd meg, Ne add el, Ne változtasd.

Amit megtehetsz	Amit nem
Letöltöd és futtatod bárhol	Kereskedelmi felhasználás
Magáncélra, tanuláshoz, kutatáshoz használod	Továbbtanítás és a származék terjesztése
Változatlanul megosztod, a szerző megnevezésével	A szerző megnevezésének elhagyása

Kereskedelmi felhasználáshoz külön engedély szükséges.

Kötelező megnevezés: „Piros Toll, készítette Flashtond (CC BY-NC-ND 4.0)"

✏️ PIROS TOLL

Készítette: Flashtond

Downloads last month: -

Safetensors

Model size

88.1M params

Tensor type

BF16

Model tree for Flashtond22/Piros-Toll

Quantizations

1 model