Instructions to use RefinedNeuro/RN_TR_R2 with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use RefinedNeuro/RN_TR_R2 with Transformers:

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

pipe = pipeline("text-generation", model="RefinedNeuro/RN_TR_R2")
messages = [
    {"role": "user", "content": "Who are you?"},
]
pipe(messages)

# Load model directly
from transformers import AutoTokenizer, AutoModelForMultimodalLM

tokenizer = AutoTokenizer.from_pretrained("RefinedNeuro/RN_TR_R2")
model = AutoModelForMultimodalLM.from_pretrained("RefinedNeuro/RN_TR_R2")
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]:]))

Inference
Notebooks
Google Colab
Kaggle
Local Apps Settings

vLLM

How to use RefinedNeuro/RN_TR_R2 with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "RefinedNeuro/RN_TR_R2"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "RefinedNeuro/RN_TR_R2",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker

docker model run hf.co/RefinedNeuro/RN_TR_R2

SGLang

How to use RefinedNeuro/RN_TR_R2 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 "RefinedNeuro/RN_TR_R2" \
    --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": "RefinedNeuro/RN_TR_R2",
		"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 "RefinedNeuro/RN_TR_R2" \
        --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": "RefinedNeuro/RN_TR_R2",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Unsloth Studio

How to use RefinedNeuro/RN_TR_R2 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 RefinedNeuro/RN_TR_R2 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 RefinedNeuro/RN_TR_R2 to start chatting

Using HuggingFace Spaces for Unsloth

# No setup required
# Open https://huggingface.co/spaces/unsloth/studio in your browser
# Search for RefinedNeuro/RN_TR_R2 to start chatting

Load model with FastModel

pip install unsloth
from unsloth import FastModel
model, tokenizer = FastModel.from_pretrained(
    model_name="RefinedNeuro/RN_TR_R2",
    max_seq_length=2048,
)

Docker Model Runner
How to use RefinedNeuro/RN_TR_R2 with Docker Model Runner:
```
docker model run hf.co/RefinedNeuro/RN_TR_R2
```

RefinedNeuro commited on May 21, 2025

Commit

53dfe64

verified ·

1 Parent(s): a3b793d

Update README.md

Browse files

Files changed (1) hide show

README.md +14 -24

README.md CHANGED Viewed

@@ -138,51 +138,41 @@ answer_question("6 ve 2'nin çarpımı nedir?")
 >
 > **A:** <think>
-1. Öncelikle f(x) fonksiyonunu türevini bulmak için türev kuralını kullanacağız. Türev kuralı, fonksiyonun türevini bulmak için, fonksiyonun x'te türevini bulmak için gerektirir.
-2. f(x) = 3x⁴ - 2x³ + 5x - 7 fonksiyonunu yazalım:
 f(x) = 3x⁴ - 2x³ + 5x - 7
-3. Fonksiyonun türevini bulmak için, fonksiyonu x'e göre türevini alacağız.
-f'(x) = d(3x⁴ - 2x³ + 5x - 7)/dx
-4. Şimdi x'in türevini fonksiyonun içinden alalım.
-f'(x) = d(3x⁴)/dx - d(2x³)/dx + d(5x)/dx - d(7)/dx
-5. Öncelikle x'in türevini bulalım:
-d(3x⁴)/dx = 4 * 3x³ (çünkü 4 * x^(3-1) = 4 * 3x³)
-d(2x³)/dx = 3 * 2x² (çünkü 3 * x^(3-1) = 3 * 2x²)
-d(5x)/dx = 5 (çünkü x'in türevi 1'dir)
-d(7)/dx = 0 (çünkü sabit bir değerdir)
-6. Şimdi fonksiyonun türevini bulmak için bu değerleri yerine koyalım:
-f'(x) = 4 * 3x³ - 3 * 2x² + 5 - 0
 f'(x) = 12x³ - 6x² + 5
-7. Şimdi f(x) fonksiyonunun türevini bulmak için, türevini x=1'deki değerini bulalım.
-f'(1) = 12 * 1³ - 6 * 1² + 5
 f'(1) = 12 - 6 + 5
 f'(1) = 11
-8. Sonuç olarak f(x) = 3x⁴ - 2x³ + 5x - 7 fonksiyonunun x = 1 noktasındaki türevi 11'dir.
 \boxed{11}
 </think>
 \boxed{11}
 ```
 ---

 >
 > **A:** <think>
+1. Adım: f(x) = 3x⁴ - 2x³ + 5x - 7 fonksiyonunun türevini bulmak için, önce f(x)'nin türevini bulmamız gerekmektedir.
+2. Adım: Türevi bulmak için fonksiyonu parçalara ayırarak analiz edeceğiz.
 f(x) = 3x⁴ - 2x³ + 5x - 7
+3. Adım: Türevi bulmak için her terimi ayrı ayrı türevini buluyoruz.
+- 3x⁴: Türevi 12x³'dür.
+- -2x³: Türevi -6x²'dir.
+- 5x: Türevi 5'dir.
+- -7: Türevi 0'dır (çünkü sabit bir sayıdır).
+4. Adım: Türevi bulmak için elde edilen türevleri birleştiriyoruz.
 f'(x) = 12x³ - 6x² + 5
+5. Adım: Şimdi x = 1 yerine koyarak f'(x)'nin türevini hesaplayacağız.
+f'(1) = 12(1)³ - 6(1)² + 5
+f'(1) = 12(1) - 6(1) + 5
 f'(1) = 12 - 6 + 5
 f'(1) = 11
+6. Adım: x = 1 noktasındaki türevi 11 olarak bulduk.
 \boxed{11}
 </think>
 \boxed{11}
 ```
 ---