Instructions to use UWV/wim-n1-phi4-mini-adapter with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use UWV/wim-n1-phi4-mini-adapter with PEFT:

from peft import PeftModel
from transformers import AutoModelForCausalLM

base_model = AutoModelForCausalLM.from_pretrained("unsloth/Phi-4-mini-instruct-bnb-4bit")
model = PeftModel.from_pretrained(base_model, "UWV/wim-n1-phi4-mini-adapter")

Transformers

How to use UWV/wim-n1-phi4-mini-adapter with Transformers:

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

pipe = pipeline("text-generation", model="UWV/wim-n1-phi4-mini-adapter", trust_remote_code=True)
messages = [
    {"role": "user", "content": "Who are you?"},
]
pipe(messages)

# Load model directly
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("UWV/wim-n1-phi4-mini-adapter", trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained("UWV/wim-n1-phi4-mini-adapter", trust_remote_code=True)
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 UWV/wim-n1-phi4-mini-adapter with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "UWV/wim-n1-phi4-mini-adapter"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "UWV/wim-n1-phi4-mini-adapter",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker

docker model run hf.co/UWV/wim-n1-phi4-mini-adapter

SGLang

How to use UWV/wim-n1-phi4-mini-adapter 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 "UWV/wim-n1-phi4-mini-adapter" \
    --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": "UWV/wim-n1-phi4-mini-adapter",
		"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 "UWV/wim-n1-phi4-mini-adapter" \
        --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": "UWV/wim-n1-phi4-mini-adapter",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Unsloth Studio new

How to use UWV/wim-n1-phi4-mini-adapter 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 UWV/wim-n1-phi4-mini-adapter 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 UWV/wim-n1-phi4-mini-adapter to start chatting

Using HuggingFace Spaces for Unsloth

# No setup required
# Open https://huggingface.co/spaces/unsloth/studio in your browser
# Search for UWV/wim-n1-phi4-mini-adapter to start chatting

Load model with FastModel

pip install unsloth
from unsloth import FastModel
model, tokenizer = FastModel.from_pretrained(
    model_name="UWV/wim-n1-phi4-mini-adapter",
    max_seq_length=2048,
)

Docker Model Runner
How to use UWV/wim-n1-phi4-mini-adapter with Docker Model Runner:
```
docker model run hf.co/UWV/wim-n1-phi4-mini-adapter
```

Phi-4-mini N1 Entity Extraction Fine-tune

This model is a fine-tuned version of microsoft/Phi-4-mini-instruct optimized for entity extraction from Dutch text, trained as part of the WIM (Wikipedia to Knowledge Graph) pipeline.

Model Details

Model Description

Developed by: UWV InnovatieHub
Model type: Causal Language Model with LoRA fine-tuning
Language(s): Dutch (nl)
License: MIT
Finetuned from: microsoft/Phi-4-mini-instruct (3.82B parameters)
Training Framework: Unsloth (optimized training, not TRL)

Training Details

Dataset: UWV/wim-instruct-wiki-to-jsonld-agent-steps
Dataset Size: 9,272 N1-specific examples (entity extraction tasks)
Training Duration: 6 hours 22 minutes
Hardware: NVIDIA A100 80GB
Epochs: 3.48
Steps: 2,000
Training Metrics:
- Final Training Loss: 0.5206
- Final Eval Loss: 0.4303
- Training samples/second: 1.395
- Gradient norm (final): ~0.42

LoRA Configuration

{
    "r": 512,                    # Rank
    "lora_alpha": 1024,         # Alpha (2:1 ratio)
    "lora_dropout": 0.05,       # Dropout
    "bias": "none",
    "task_type": "CAUSAL_LM",
    "target_modules": [
        "q_proj", "k_proj", "v_proj", "o_proj",
        "gate_proj", "up_proj", "down_proj"
    ]
}

Training Configuration

{
    "model": "phi4-mini",
    "max_seq_length": 16384,
    "batch_size": 16,
    "gradient_accumulation_steps": 1,
    "effective_batch_size": 16,
    "learning_rate": 2e-5,
    "warmup_steps": 50,
    "max_grad_norm": 1.0,
    "lr_scheduler": "linear",
    "optimizer": "paged_adamw_8bit",
    "bf16": True,
    "seed": 42
}

Intended Uses & Limitations

Intended Uses

Entity Extraction: Extract named entities, concepts, and relationships from Dutch text
Knowledge Graph Construction: First step (N1) in the WIM pipeline for converting text to structured data
Information Extraction: Identify people, organizations, locations, dates, and other entities

Limitations

Optimized for Dutch Wikipedia-style text
Best performance on encyclopedic content
May require adaptation for domain-specific entity types
Context window limited to 16K tokens

How to Use

Option 1: Using the Merged Model (Recommended)

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch
import json

# Load the merged model (ready to use)
model = AutoModelForCausalLM.from_pretrained(
    "UWV/wim-n1-phi4-mini-merged",
    torch_dtype=torch.bfloat16,
    device_map="auto",
    trust_remote_code=True
)
tokenizer = AutoTokenizer.from_pretrained("UWV/wim-n1-phi4-mini-merged")

# Prepare input
text = """
De Schijfwereld is een fantasiewereld uit de boeken van Terry Pratchett. Het is een 
platte planeet die op de ruggen van vier reusachtige olifanten rust: Berilia, Tubul, 
Groothuis T'Phon en Jerakeen. Deze olifanten staan op hun beurt op de rug van de 
Groot A'Tuin, een enorme schildpad die door de kosmos zwemt.
"""

messages = [
    {
        "role": "system", 
        "content": "Je bent een expert in het extraheren van entiteiten uit tekst."
    },
    {
        "role": "user", 
        "content": f"""Analyseer de gegeven Nederlandse tekst en voer de volgende taken uit:

1. Geef eerst een beknopte samenvatting van waar de tekst over gaat (maximaal 2 zinnen).

2. Identificeer alle belangrijke entiteiten in de tekst. Voor elke entiteit:
 - Gebruik de exacte naam zoals vermeld in de tekst
 - Bepaal het meest specifieke type/class dat bij deze entiteit past
 - Geef een korte beschrijving van wat dit type/class vertegenwoordigt

3. Identificeer de relaties tussen de gevonden entiteiten.

Hier zijn enkele voorbeelden van output van entiteiten en relaties. Het pijp-karakter (|) wordt gebruikt om velden te scheiden. BELANGRIJK: Zorg ervoor dat het TYPE/CLASS zowel SPECIFIEK als CORRECT is.

### Voorbeeld van entiteiten
<entiteiten>
De Koe | Straat | Een straat
Amsterdam | Stad | Een stad of dorp
Pedro Nunesplein | Plein | Een plein of open ruimte in een stad
Statue of Pedro Nunes | Monument | Een gedenkteken, standbeeld of herdenkingsstructuur
Pedro Nunes | Persoon | Portugese wiskundige, kosmograaf en professor
Municipality of Amsterdam | Overheidsorganisatie | Een lokale overheidsinstantie of gemeente
Universiteit Leiden | Onderwijsinstelling | Een universiteit, hogeschool of andere onderwijsinstantie
1502 | Datum | Een specifieke datum of jaartal
1578 | Datum | Een specifieke datum of jaartal
Portugal | Land | Een land of natie
Germany | Land | Een land of natie
</entiteiten>

### Voorbeeld van relaties
<relaties>
Pedro Nunesplein | genoemd naar | Pedro Nunes
Statue of Pedro Nunes | staat op | Pedro Nunesplein
Statue of Pedro Nunes | afbeeldt | Pedro Nunes
Pedro Nunes | geboren in | 1502
Pedro Nunes | gestorven in | 1578
Pedro Nunes | nationaliteit | Portugal
Pedro Nunes | werkte bij | Universiteit Leiden
</relaties>

Zoals je ziet wordt de format gebruikt van: [Entiteit naam] | [Type/Class] | [Beschrijving]
Voor relaties: [Entiteit 1] | [relatie type] | [Entiteit 2]

Tekst om te analyseren:
{text}"""
    }
]

# Apply chat template and generate
prompt = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
inputs = tokenizer(prompt, return_tensors="pt", truncation=True, max_length=16384)
inputs = {k: v.to(model.device) for k, v in inputs.items()}

with torch.no_grad():
    outputs = model.generate(
        **inputs,
        max_new_tokens=1000,
        temperature=0.1,  # Low temperature for structured output
        do_sample=True,
        top_p=0.95,
        pad_token_id=tokenizer.pad_token_id,
        eos_token_id=tokenizer.eos_token_id,
    )

# Decode response
response = tokenizer.decode(outputs[0], skip_special_tokens=True)
# Extract just the assistant's response
if "assistant:" in response:
    response = response.split("assistant:")[-1].strip()

print(response)

Option 2: Using the LoRA Adapter

from transformers import AutoModelForCausalLM, AutoTokenizer
from peft import PeftModel
import torch

# Load base model
base_model = AutoModelForCausalLM.from_pretrained(
    "microsoft/Phi-4-mini-instruct",
    torch_dtype=torch.bfloat16,
    device_map="auto",
    trust_remote_code=True
)

# Load adapter
model = PeftModel.from_pretrained(
    base_model,
    "UWV/wim-n1-phi4-mini-adapter"
)
tokenizer = AutoTokenizer.from_pretrained("UWV/wim-n1-phi4-mini-adapter")

# Use same inference code as above...

Expected Output Format

The model outputs structured text with entities and relations in a pipe-separated format:

<summary>
De tekst beschrijft de Schijfwereld, een fantasiewereld uit Terry Pratchett's boeken. 
Het is een platte planeet die rust op vier olifanten, die op hun beurt op een 
reusachtige schildpad staan.
</summary>

<entiteiten>
Schijfwereld | FictionalPlace | Een verzonnen wereld of locatie uit fictie
Terry Pratchett | Person | Een persoon
Berilia | FictionalCharacter | Een verzonnen personage of wezen
Tubul | FictionalCharacter | Een verzonnen personage of wezen
Groothuis T'Phon | FictionalCharacter | Een verzonnen personage of wezen
Jerakeen | FictionalCharacter | Een verzonnen personage of wezen
Groot A'Tuin | FictionalCharacter | Een verzonnen personage of wezen
</entiteiten>

<relaties>
Schijfwereld | gecreëerd door | Terry Pratchett
Schijfwereld | rust op | Berilia
Schijfwereld | rust op | Tubul
Schijfwereld | rust op | Groothuis T'Phon
Schijfwereld | rust op | Jerakeen
Berilia | staat op | Groot A'Tuin
Tubul | staat op | Groot A'Tuin
Groothuis T'Phon | staat op | Groot A'Tuin
Jerakeen | staat op | Groot A'Tuin
</relaties>

Dataset Information

The model was trained on the UWV/wim-instruct-wiki-to-jsonld-agent-steps dataset, which contains:

Source: Dutch Wikipedia articles
Processing: Multi-agent pipeline converting text to JSON-LD
N1 Examples: 9,272 entity extraction tasks
Format: ChatML-formatted instruction-following examples
Task: Extract entities and prepare them for Schema.org mapping

Model Versions

Merged Model: UWV/wim-n1-phi4-mini-merged (7.17 GB)
- Ready to use without adapter loading
- Recommended for production inference
LoRA Adapter: UWV/wim-n1-phi4-mini-adapter (~1.14 GB)
- Requires base Phi-4-mini-instruct model
- Useful for further fine-tuning or experiments

Pipeline Context

This model is part of the WIM (Wikipedia to Knowledge Graph) pipeline:

N1 (This Model): Entity Extraction
N2: Schema.org Type Selection
N3: Transform to JSON-LD
N4: Validation
N5: Add Human-Readable Labels

Citation

If you use this model, please cite:

@misc{wim-n1-phi4-mini,
  author = {UWV InnovatieHub},
  title = {Phi-4-mini N1 Entity Extraction Model},
  year = {2025},
  publisher = {HuggingFace},
  url = {https://huggingface.co/UWV/wim-n1-phi4-mini-merged}
}