Instructions to use OPENZEKA/openzeka_llm_beta with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use OPENZEKA/openzeka_llm_beta with Transformers:

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

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

# Load model directly
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("OPENZEKA/openzeka_llm_beta")
model = AutoModelForCausalLM.from_pretrained("OPENZEKA/openzeka_llm_beta")
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 OPENZEKA/openzeka_llm_beta with vLLM:

Install from pip and serve model

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

Use Docker

docker model run hf.co/OPENZEKA/openzeka_llm_beta

SGLang

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

Docker Model Runner
How to use OPENZEKA/openzeka_llm_beta with Docker Model Runner:
```
docker model run hf.co/OPENZEKA/openzeka_llm_beta
```

Kullanımı

from transformers import AutoTokenizer, AutoModelForCausalLM
import torch

model_id = "OPENZEKA/openzeka_llm_beta"

tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    torch_dtype=torch.bfloat16,
    device_map="auto",
)

messages = [
    {"role": "system", "content": "Sen Openzeka firmasının eğittiği asistansın sorulan sorulara doğru  cevaplar ver "},
    {"role": "user", "content": "Türkiye'nin yapay zeka alanında lider ülke olması için firmaların izleyeceği adımlar ne olmalıdır ?"},
]

input_ids = tokenizer.apply_chat_template(
    messages,
    add_generation_prompt=True,
    return_tensors="pt"
).to(model.device)

terminators = [
    tokenizer.eos_token_id,
    tokenizer.convert_tokens_to_ids("<|eot_id|>")
]

outputs = model.generate(
    input_ids,
    max_new_tokens=1024,
    eos_token_id=terminators,
    do_sample=True,
    repetition_penalty=1.1,
    temperature=0.6,
    top_p=0.9,
)
response = outputs[0][input_ids.shape[-1]:]
print(tokenizer.decode(response, skip_special_tokens=True))

Çıktı

1. Türkiye'deki teknoloji sektörüne yatırım yapılması: Yapay zekanın geliştirilmesi ve kullanımının yaygınlaştırılması için, bu teknolojinin gelişmesine ve kullanımı için gereken yatırımları yapmak, Türkiye'nin yapay zeka alanında lider olma yolunda önemli bir adım olacaktır.

2. Eğitim ve yetenekli personele yatırım yapılması: Yapay zeka, gelişmiş algoritmalar ve veri bilimi gerektirdiğinden, bu alanlarda yetkin personelin eğitiminin sağlanması, Türkiye'nin yapay zeka alanında ilerlemesine yardımcı olacaktır.

3. İnovasyon teşvik edilmesi: Yaratıcı fikirlere ve yeniliklere sahip olmak için, Türkiye'de inovasyona ve yaratıcılığa odaklanan bir kültüre sahip olmak, yapay zeka alanında lider olma yolunda önemli bir adımdır.

4. Veri bilimi ve yapay zeka alanındaki araştırmalara destek olunması: Yapay zeka, gelişmiş algoritmalar ve veri bilimi gerektiriyor; bu nedenle, Türkiye'de bu konularda araştırma yapan kuruluşlara ve bireylere gerekli desteği sağlamak, Türkiye'nin yapay zeka alanında ilerlemesini sağlayacaktır.

5. Uluslararası işbirliği ve ortaklıklara öncelik verilmesi: Yapay zeka, birçok ülkede bulunan şirketlerle birlikte çalışmanın ve uluslararası projelere katılmakın önemini vurguluyor; bu nedenle, Türkiye'de yapay zeka alanında uluslararası işbirliklerine ve ortaklıklara öncelik verilmesi, Türkiye'nin lider olma yolunda önemli bir adımdır.

Downloads last month: 2

Safetensors

Model size

8B params

Tensor type

BF16

Model tree for OPENZEKA/openzeka_llm_beta

Base model

meta-llama/Llama-3.1-8B

Finetuned

meta-llama/Llama-3.1-8B-Instruct

Finetuned

(2750)

this model