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

Libraries

How to use PyThaGo/LLMLit with llama-cpp-python:

# !pip install llama-cpp-python

from llama_cpp import Llama

llm = Llama.from_pretrained(
	repo_id="PyThaGo/LLMLit",
	filename="LLMLit-0.2-8B-Instruct.gguf",
)

llm.create_chat_completion(
	messages = "No input example has been defined for this model task."
)

Notebooks
Google Colab
Kaggle
Local Apps

llama.cpp

How to use PyThaGo/LLMLit with llama.cpp:

Install from brew

brew install llama.cpp
# Start a local OpenAI-compatible server with a web UI:
llama-server -hf PyThaGo/LLMLit
# Run inference directly in the terminal:
llama-cli -hf PyThaGo/LLMLit

Install from WinGet (Windows)

winget install llama.cpp
# Start a local OpenAI-compatible server with a web UI:
llama-server -hf PyThaGo/LLMLit
# Run inference directly in the terminal:
llama-cli -hf PyThaGo/LLMLit

Use pre-built binary

# Download pre-built binary from:
# https://github.com/ggerganov/llama.cpp/releases
# Start a local OpenAI-compatible server with a web UI:
./llama-server -hf PyThaGo/LLMLit
# Run inference directly in the terminal:
./llama-cli -hf PyThaGo/LLMLit

Build from source code

git clone https://github.com/ggerganov/llama.cpp.git
cd llama.cpp
cmake -B build
cmake --build build -j --target llama-server llama-cli
# Start a local OpenAI-compatible server with a web UI:
./build/bin/llama-server -hf PyThaGo/LLMLit
# Run inference directly in the terminal:
./build/bin/llama-cli -hf PyThaGo/LLMLit

Use Docker

docker model run hf.co/PyThaGo/LLMLit

LM Studio
Jan
Ollama
How to use PyThaGo/LLMLit with Ollama:
```
ollama run hf.co/PyThaGo/LLMLit
```

Unsloth Studio new

How to use PyThaGo/LLMLit with Unsloth Studio:

Install Unsloth Studio (macOS, Linux, WSL)

curl -fsSL https://unsloth.ai/install.sh | sh
# Run unsloth studio
unsloth studio -H 0.0.0.0 -p 8888
# Then open http://localhost:8888 in your browser
# Search for PyThaGo/LLMLit to start chatting

Install Unsloth Studio (Windows)

irm https://unsloth.ai/install.ps1 | iex
# Run unsloth studio
unsloth studio -H 0.0.0.0 -p 8888
# Then open http://localhost:8888 in your browser
# Search for PyThaGo/LLMLit to start chatting

Using HuggingFace Spaces for Unsloth

# No setup required
# Open https://huggingface.co/spaces/unsloth/studio in your browser
# Search for PyThaGo/LLMLit to start chatting

Pi new

How to use PyThaGo/LLMLit with Pi:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama-server -hf PyThaGo/LLMLit

Configure the model in Pi

# Install Pi:
npm install -g @mariozechner/pi-coding-agent
# Add to ~/.pi/agent/models.json:
{
  "providers": {
    "llama-cpp": {
      "baseUrl": "http://localhost:8080/v1",
      "api": "openai-completions",
      "apiKey": "none",
      "models": [
        {
          "id": "PyThaGo/LLMLit"
        }
      ]
    }
  }
}

Run Pi

# Start Pi in your project directory:
pi

Hermes Agent new

How to use PyThaGo/LLMLit with Hermes Agent:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama-server -hf PyThaGo/LLMLit

Configure Hermes

# Install Hermes:
curl -fsSL https://hermes-agent.nousresearch.com/install.sh | bash
hermes setup
# Point Hermes at the local server:
hermes config set model.provider custom
hermes config set model.base_url http://127.0.0.1:8080/v1
hermes config set model.default PyThaGo/LLMLit

Run Hermes

hermes

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

Lemonade

How to use PyThaGo/LLMLit with Lemonade:

Pull the model

# Download Lemonade from https://lemonade-server.ai/
lemonade pull PyThaGo/LLMLit

Run and chat with the model

lemonade run user.LLMLit-{{QUANT_TAG}}

List all available models

lemonade list

Cristian Sas commited on Jan 30, 2025

Commit

e87871d

verified ·

1 Parent(s): b7a5a58

Update README.md

Browse files

Files changed (1) hide show

README.md +5 -0

README.md CHANGED Viewed

@@ -32,6 +32,11 @@ metrics:
 ## **🔍 Quick Summary**
 **LLMLit** este un model de limbaj mare (LLM) performant, multilingv, optimizat din **Meta’s Llama 3.1 8B Instruct**. Este conceput pentru **task-uri NLP în limba engleză și română**, având capacități avansate de **urmărire a instrucțiunilor, înțelegere contextuală și generare de conținut precis**.
 ## **📌 Model Details**
 🔹 **Descriere:** LLMLit poate fi utilizat pentru **generare de conținut, sumarizare, răspuns la întrebări și multe altele**.
 🔹 **Fine-tuning:** Modelul a fost antrenat pentru **adherarea la instrucțiuni de înaltă calitate și o mai bună înțelegere a contextului**.

 ## **🔍 Quick Summary**
 **LLMLit** este un model de limbaj mare (LLM) performant, multilingv, optimizat din **Meta’s Llama 3.1 8B Instruct**. Este conceput pentru **task-uri NLP în limba engleză și română**, având capacități avansate de **urmărire a instrucțiunilor, înțelegere contextuală și generare de conținut precis**.
+De ce să alegi LLMLit?
+**LLMLit**  este o alegere excelentă pentru cei care doresc să ruleze modele AI puternice într-un mediu securizat 🔐 și privat. Având posibilitatea de a lucra complet offline 🌐❌, LLMLit îți oferă control total asupra datelor 🛡️, eliminând orice risc de scurgeri de informații sau dependență de conexiuni externe. Modelele sunt rulate local 🖥️, ceea ce asigură o performanță rapidă ⚡ și o protecție sporită a confidențialității 🔒, fiind ideal pentru aplicații sensibile și scenarii unde securitatea datelor este esențială. În plus, cu LLMLit, nu trebuie să te îngrijorezi de problemele de confidențialitate asociate serviciilor bazate pe cloud ☁️🚫.
+🎉 Open-Source și Gratuit: LLMLit este un proiect open-source 💻, ceea ce înseamnă că poți personaliza și adapta modelele conform nevoilor tale. Nu există taxe ascunse și ai acces complet la codul sursă pentru a-l integra în aplicațiile tale 🛠️.
 ## **📌 Model Details**
 🔹 **Descriere:** LLMLit poate fi utilizat pentru **generare de conținut, sumarizare, răspuns la întrebări și multe altele**.
 🔹 **Fine-tuning:** Modelul a fost antrenat pentru **adherarea la instrucțiuni de înaltă calitate și o mai bună înțelegere a contextului**.