Instructions to use Simonc-44/Cygnis-Alpha-1.7B-v0.1-Instruct with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use Simonc-44/Cygnis-Alpha-1.7B-v0.1-Instruct with Transformers:

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

pipe = pipeline("text-generation", model="Simonc-44/Cygnis-Alpha-1.7B-v0.1-Instruct")
messages = [
    {"role": "user", "content": "Who are you?"},
]
pipe(messages)

# Load model directly
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("Simonc-44/Cygnis-Alpha-1.7B-v0.1-Instruct")
model = AutoModelForCausalLM.from_pretrained("Simonc-44/Cygnis-Alpha-1.7B-v0.1-Instruct")
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 Simonc-44/Cygnis-Alpha-1.7B-v0.1-Instruct with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "Simonc-44/Cygnis-Alpha-1.7B-v0.1-Instruct"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "Simonc-44/Cygnis-Alpha-1.7B-v0.1-Instruct",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker

docker model run hf.co/Simonc-44/Cygnis-Alpha-1.7B-v0.1-Instruct

SGLang

How to use Simonc-44/Cygnis-Alpha-1.7B-v0.1-Instruct 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 "Simonc-44/Cygnis-Alpha-1.7B-v0.1-Instruct" \
    --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": "Simonc-44/Cygnis-Alpha-1.7B-v0.1-Instruct",
		"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 "Simonc-44/Cygnis-Alpha-1.7B-v0.1-Instruct" \
        --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": "Simonc-44/Cygnis-Alpha-1.7B-v0.1-Instruct",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Unsloth Studio new

How to use Simonc-44/Cygnis-Alpha-1.7B-v0.1-Instruct 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 Simonc-44/Cygnis-Alpha-1.7B-v0.1-Instruct 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 Simonc-44/Cygnis-Alpha-1.7B-v0.1-Instruct to start chatting

Using HuggingFace Spaces for Unsloth

# No setup required
# Open https://huggingface.co/spaces/unsloth/studio in your browser
# Search for Simonc-44/Cygnis-Alpha-1.7B-v0.1-Instruct to start chatting

Load model with FastModel

pip install unsloth
from unsloth import FastModel
model, tokenizer = FastModel.from_pretrained(
    model_name="Simonc-44/Cygnis-Alpha-1.7B-v0.1-Instruct",
    max_seq_length=2048,
)

Docker Model Runner
How to use Simonc-44/Cygnis-Alpha-1.7B-v0.1-Instruct with Docker Model Runner:
```
docker model run hf.co/Simonc-44/Cygnis-Alpha-1.7B-v0.1-Instruct
```
Browse Quantizations to use this model in llama.cpp, Ollama, LM Studio, or any compatible app.

Cygnis Alpha 1.7B v0.1

Présentation

Cygnis Alpha 1.7B v0.1 est un modèle de langage léger basé sur l'architecture SmolLM2. Ce modèle a été optimisé par Simonc-44 pour intégrer une identité système souveraine et améliorer la précision des interactions en français.

Ce dépôt contient les poids officiels au format Safetensors, optimisés pour une utilisation avec les bibliothèques transformers et accelerate.

Spécifications Techniques

Paramètre	Valeur
Architecture	Llama (SmolLM2)
Nombre de paramètres	1.7 Milliards
Format de fichier	Safetensors
Précision	bfloat16 / float16
Fenêtre de contexte	2048 tokens
Méthode d'entraînement	Fine-tuning supervisé (SFT)
Concepteur	Simonc-44

Format d'Instruction

Le modèle utilise le format ChatML. Pour obtenir les meilleurs résultats, respectez la structure suivante :

<|im_start|>system
Tu es Cygnis Alpha, une IA créée par Simonc-44. Tu es concis, clair et utile.<|im_end|>
<|im_start|>user
{votre question}<|im_end|>
<|im_start|>assistant

Utilisation

Avec Transformers

Le modèle peut être chargé et utilisé directement avec le code suivant :

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

model_id = "Simonc-44/Cygnis-Alpha-1.7B-v2.5"

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

messages = [
    {"role": "system", "content": "Tu es Cygnis Alpha, une IA créée par Simonc-44."},
    {"role": "user", "content": "Bonjour, qui es-tu ?"},
]

input_ids = tokenizer.apply_chat_template(messages, tokenize=True, add_generation_prompt=True, return_tensors="pt").to("cuda")
outputs = model.generate(input_ids, max_new_tokens=128, temperature=0.7)

print(tokenizer.decode(outputs[0], skip_special_tokens=True))

Limitations

Compte tenu de sa taille (1.7B), Cygnis Alpha peut présenter des limites dans le raisonnement complexe ou la mémorisation de faits très spécifiques. Il est particulièrement efficace comme assistant de rédaction, de classification ou pour des agents conversationnels légers.