Instructions to use Sonorix/Pulsar-AI-Final with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use Sonorix/Pulsar-AI-Final with Transformers:

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

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

# Load model directly
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("Sonorix/Pulsar-AI-Final")
model = AutoModelForCausalLM.from_pretrained("Sonorix/Pulsar-AI-Final", device_map="auto")
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 Settings

vLLM

How to use Sonorix/Pulsar-AI-Final with vLLM:

Install from pip and serve model

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

Use Docker

docker model run hf.co/Sonorix/Pulsar-AI-Final

SGLang

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

Docker Model Runner
How to use Sonorix/Pulsar-AI-Final with Docker Model Runner:
```
docker model run hf.co/Sonorix/Pulsar-AI-Final
```

✦ Pulsar AI

Pulsar-AI-Final — интеллектуальный помощник мессенджера Pulsar, обученный отвечать на вопросы пользователей о функциях приложения на русском языке.

🎯 Возможности

Модель отвечает на вопросы о:

📶 Pulsar Mesh — офлайн-связь через ячеистую сеть
🔒 Безопасность — сквозное шифрование (E2EE), двухфакторная аутентификация
💾 Резервное копирование — облачные и локальные бэкапы
🔄 Перенос чатов — между устройствами без потери истории
🔔 Уведомления — умные фильтры, режим «Не беспокоить», прорыв тишины
👥 Группы и контакты — создание групп, передача владения, профили контекста
📱 Кроссплатформенность — Android, iOS, Desktop

🚀 Использование

Локальный запуск

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

model = AutoModelForCausalLM.from_pretrained(
    "Sonorix/Pulsar-AI-Final",
    torch_dtype=torch.float16,
    device_map="auto",
)
tokenizer = AutoTokenizer.from_pretrained("Sonorix/Pulsar-AI-Final")

messages = [
    {"role": "system", "content": "Вы — Pulsar AI, помощник мессенджера Pulsar."},
    {"role": "user", "content": "Как настроить Pulsar Mesh?"}
]

inputs = tokenizer.apply_chat_template(messages, return_tensors="pt").to(model.device)
outputs = model.generate(inputs, max_new_tokens=250, do_sample=True, temperature=0.7)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))