Text Generation
PEFT
Safetensors
Arabic
English
math
reasoning
arabic
neuro-symbolic
cot
qlora
grpo
education
sympy
qwen2.5-math
conversational
Instructions to use ModeAyman/Khwarizmi-Math-AI with libraries, inference providers, notebooks, and local apps. Follow these links to get started.
- Libraries
- PEFT
How to use ModeAyman/Khwarizmi-Math-AI with PEFT:
from peft import PeftModel from transformers import AutoModelForCausalLM base_model = AutoModelForCausalLM.from_pretrained("Qwen/Qwen2.5-Math-1.5B-Instruct") model = PeftModel.from_pretrained(base_model, "ModeAyman/Khwarizmi-Math-AI") - Notebooks
- Google Colab
- Kaggle
|
Download README.md from ModeAyman/Khwarizmi-Math-AI: direct link, hf CLI and curl.
- Browser
- Download file 5.41 kB
-
https://huggingface.co/ModeAyman/Khwarizmi-Math-AI/resolve/main/README.md
- Command line
-
hf download hf://ModeAyman/Khwarizmi-Math-AI/README.md
-
curl -L -o README.md https://huggingface.co/ModeAyman/Khwarizmi-Math-AI/resolve/main/README.md
5.41 kB
metadata
language:
- ar
- en
license: mit
base_model: Qwen/Qwen2.5-Math-1.5B-Instruct
library_name: peft
pipeline_tag: text-generation
tags:
- math
- reasoning
- arabic
- neuro-symbolic
- cot
- qlora
- grpo
- education
- sympy
- qwen2.5-math
model_creator: Ayman Al-Dhahabi
model_name: Al-Khwarizmi Math AI (Qwen2.5-Math-1.5B-Arabic-Reasoner)
widget:
- text: >-
اشرح باللغة العربية خطوة بخطوة مع أولويات العمليات حل المقدار: 100 - 25 *
3 + 14
🧮 خوارزمي | Al-Khwarizmi Math AI
نموذج الاستدلال الرياضي والشرح التربوي العصبي-الرمزي باللغة العربية
An Industrial-Grade, Neuro-Symbolic Mathematical Reasoner & Pedagogical Explainer
👤 معلومات المطور (Developer Profile)
- المطور الرئيسي: أيمن الذاهبي (Ayman Al-Dhahabi)
- البريد الإلكتروني: a77499n@gmail.com
- الهاتف / واتساب: +967 774998429
- المستودع الرسمي: https://github.com/AymnAlth/Khwarizmi_Math_AI
📌 نبذة عن النموذج (Model Overview)
نموذج خوارزمي (Al-Khwarizmi Math AI) هو نموذج استدلالي متخصص تم تدريبه بالاعتماد على Qwen/Qwen2.5-Math-1.5B-Instruct لتقديم حلول وشروحات تربوية دقيقة خطوة بخطوة للمسائل والمعادلات الرياضية باللغة العربية الفصحى.
تم تصميم النموذج ليعمل ضمن معمارية عصبية-رمزية (Neuro-Symbolic Architecture) هجينة، حيث تتولى الشبكة العصبية تفكيك المسألة واستنتاج سلاسل التفكير المنطقي (<think>) وصياغة الشرح التربوي باللغة العربية، بينما يتولى المحرك الرمزي (SymPy) التحقق الحسابي القطعي لكل خطوة للقضاء التام على الهلوسة الحسابية.
🎯 تفاصيل التدريب المنهجي (Training Details)
- تقنية التدريب: QLoRA (4-bit NormalFloat quantization with
bfloat16compute). - معاملات LoRA: رتبة المصفوفة $r = 16$، معامل التكبير $\alpha = 32$، ومعدل الإسقاط $\text{dropout} = 0.05$.
- الوحدات المستهدفة (Target Modules):
q_proj, k_proj, v_proj, o_proj, gate_proj, up_proj, down_proj. - المنهج التعليمي (Curriculum Learning): تم التدريب على 4 مراحل تصاعدية:
- المرحلة الأولى: العمليات الحسابية، أولويات العمليات، تبسيط الكسور، والمعادلات الخطية.
- المرحلة الثانية: المعادلات التربيعية، المميز الجبري، وتحليل المقادير.
- المرحلة الثالثة: الدوال الأسية واللوغاريتمية.
- المرحلة الرابعة: التفاضل، الاشتقاق، والتكامل.
- التعلم التعزيزي (GRPO): تحسين الاستدلال عبر خوارزمية Group Relative Policy Optimization مع الإشراف على خطوات الحل (Process Supervision).
💻 طريقة استخدام النموذج برمجياً (Quick Inference Code)
import torch
from transformers import AutoModelForCausalLM, AutoTokenizer
from peft import PeftModel
BASE_MODEL = "Qwen/Qwen2.5-Math-1.5B-Instruct"
ADAPTER_REPO = "ModeAyman/Khwarizmi-Math-AI"
# 1. تحميل الموزع والنموذج الأساسي
tokenizer = AutoTokenizer.from_pretrained(BASE_MODEL, trust_remote_code=True)
base_model = AutoModelForCausalLM.from_pretrained(
BASE_MODEL,
torch_dtype=torch.bfloat16,
device_map="auto",
trust_remote_code=True,
)
# 2. دمج أوزان خوارزمي المدربة (LoRA)
model = PeftModel.from_pretrained(base_model, ADAPTER_REPO)
model.eval()
# 3. إعداد المدخل باللغة العربية
prompt = "حل المقدار التالي مع الشرح التربوي باللغة العربية وأولويات العمليات: 100 - 25 * 3 + 14"
messages = [{"role": "user", "content": prompt}]
text = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
inputs = tokenizer([text], return_tensors="pt").to(model.device)
# 4. توليد الحل الاستدلالي
outputs = model.generate(**inputs, max_new_tokens=512, temperature=0.3)
response = tokenizer.decode(outputs[0][len(inputs.input_ids[0]):], skip_special_tokens=True)
print(response)
📜 الترخيص (License)
هذا النموذج منشور ومتاح للاستخدام الأكاديمي والبحثي تحت رخصة MIT License.