Instructions to use MTSmash/EvaGPT-446M-MaTeLiX-AI-Pretrained with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use MTSmash/EvaGPT-446M-MaTeLiX-AI-Pretrained with Transformers:

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

pipe = pipeline("text-generation", model="MTSmash/EvaGPT-446M-MaTeLiX-AI-Pretrained")
messages = [
    {"role": "user", "content": "Who are you?"},
]
pipe(messages)

# Load model directly
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("MTSmash/EvaGPT-446M-MaTeLiX-AI-Pretrained")
model = AutoModelForCausalLM.from_pretrained("MTSmash/EvaGPT-446M-MaTeLiX-AI-Pretrained")
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 MTSmash/EvaGPT-446M-MaTeLiX-AI-Pretrained with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "MTSmash/EvaGPT-446M-MaTeLiX-AI-Pretrained"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "MTSmash/EvaGPT-446M-MaTeLiX-AI-Pretrained",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker

docker model run hf.co/MTSmash/EvaGPT-446M-MaTeLiX-AI-Pretrained

SGLang

How to use MTSmash/EvaGPT-446M-MaTeLiX-AI-Pretrained 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 "MTSmash/EvaGPT-446M-MaTeLiX-AI-Pretrained" \
    --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": "MTSmash/EvaGPT-446M-MaTeLiX-AI-Pretrained",
		"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 "MTSmash/EvaGPT-446M-MaTeLiX-AI-Pretrained" \
        --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": "MTSmash/EvaGPT-446M-MaTeLiX-AI-Pretrained",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Docker Model Runner
How to use MTSmash/EvaGPT-446M-MaTeLiX-AI-Pretrained with Docker Model Runner:
```
docker model run hf.co/MTSmash/EvaGPT-446M-MaTeLiX-AI-Pretrained
```

Model Card

Overview

EvaGPT-446M-MaTeLiX-AI-Pretrained ist ein vortrainiertes Large Language Model (LLM), das exklusiv für das MaTeLiX Trainingsdashboard bereitgestellt wird. Das Modell unterstützt Deutsch und Englisch und ist als reine Pretrained-Version gedacht.

WICHTIG: Dies ist ausschließlich ein Pretrained-Model! Es wurde noch nicht finegetuned. Für die Verwendung in produktiven Anwendungen oder für spezifische Aufgaben ist ein zusätzliches Finetuning unbedingt erforderlich.

Typ: Nur Pretrained LLM (ohne Finetuning)
Kompatibilität: Transformers Library
Ziel: Trainings- und Testzwecke im MaTeLiX-Ökosystem

Hinweis zur Architektur

Obwohl als Architekturname MistralForCausalLM verwendet wird, basiert dieses Modell nicht auf der Mistral-Architektur. Die Modellarchitektur ist eine eigene Entwicklung. Der Architekturname dient ausschließlich der Kompatibilität mit der Hugging Face transformers-Bibliothek.

Nutzung im MaTeLiX Dashboard

Das Modell ist ausschließlich für die Nutzung über das MaTeLiX Trainingsdashboard vorgesehen. Eine direkte Verwendung außerhalb dieser Plattform ist nicht vorgesehen und wird nicht unterstützt.

Anwendung: Im MaTeLiX Trainingsdashboard dient dieses Modell als Grundlage für Experimente, Prompt-Tests und als Ausgangspunkt für weiteres Finetuning. Alle Parameter werden im Dashboard verwaltet.

Technische Details

Architektur: Eigenentwicklung, Hugging Face Kompatibilität über MistralForCausalLM
Sprachen: Deutsch, Englisch
Trainingsdaten: Allgemeine Pretraining-Corpora (siehe MaTeLiX-Dokumentation)
Status: Nur Pretrained, kein Finetuning
Hinweis: Kein echtes Mistral, keine produktive Anwendung

Lizenz & Haftungsausschluss

Dieses Modell dient ausschließlich zu Demonstrations-, Trainings- und Evaluationszwecken im MaTeLiX Trainingsdashboard. MaTeLiX übernimmt keine Haftung für Fehler, Bias oder unerwünschte Modellantworten. Für produktive Nutzung oder externe Anwendungen ist vorheriges Finetuning erforderlich.

Kontakt

Fragen zur Nutzung oder zum Finetuning bitte an das MaTeLiX Support-Team.

Downloads last month: -

Safetensors

Model size

0.4B params

Tensor type

F32