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
```

Piros-Toll / NOTICE

Flashtond22

Piros Toll: magyar helyesirasjavito es ekezetesito

74f057b verified 1 day ago

Raw

History Blame Contribute Delete

1.55 kB

	PIROS TOLL TISZTA
	=================

	Copyright (c) 2026 Flashtond
	Minden jog fenntartva a licencben foglaltak szerint.

	LICENC
	------
	Ez a mű a Creative Commons Nevezd meg! - Ne add el! - Ne változtasd!
	4.0 Nemzetközi (CC BY-NC-ND 4.0) licenc alatt érhető el.

	A licenc teljes szövege: https://creativecommons.org/licenses/by-nc-nd/4.0/deed.hu

	Amit a licenc MEGENGED:
	- a modell letöltése és futtatása bármilyen eszközön
	- magáncélú, oktatási és kutatási felhasználás
	- a modell változatlan formában történő megosztása, a szerző megnevezésével

	Amit a licenc MEGTILT:
	- bármilyen kereskedelmi célú felhasználás
	- a modell módosítása, továbbtanítása és a származék terjesztése
	- a szerző megnevezésének elhagyása

	Kereskedelmi felhasználáshoz külön engedély szükséges a szerzőtől.

	NEVEZD MEG
	----------
	A modell használatakor a következő megnevezés kötelező:

	„Piros Toll Tiszta, készítette Flashtond (CC BY-NC-ND 4.0)"

	EREDET
	------
	A modell súlyai véletlen inicializálásból, kizárólag saját tanítási
	eljárással készültek. Nem tartalmaznak más modellből átvett paramétert.

	Az architektúra a nyilvánosan dokumentált Llama-típusú transzformer
	felépítést követi, hogy a modell a szabványos futtatókörnyezetekben
	(llama.cpp, Ollama, Hugging Face Transformers) működjön.

	A tanítószöveg nyilvánosan elérhető magyar nyelvű korpuszokból származik
	(FineWeb-2 magyar szelet és magyar Wikipédia, ODC-BY 1.0, illetve CC BY-SA).