LeoTamil-selflearn-v1 (Private)

Made By VenkatehKumar, Chinnamanur, Tamil Nadu by Leo (Leo Infotech)

Model Description

இது தமிழ்-specific base model-ஐ (Tamil-LLaMA) தமிழ் அகராதி & சொற்றொடர் corpus-இல் fine-tune செய்த self-learning model. தமிழ் உரையாடல், கேள்வி-பதில், கவிதை, கோடிங், மருத்துவம், சட்டம், கல்வி போன்றவற்றுக்கு சிறப்பாக வேலை செய்யும். சின்னமானூரில் உருவாக்கப்பட்ட முதல் தனிப்பட்ட தமிழ் AI model.

Base Model / Corpus

• abhinand/tamil-llama-7b-instruct-v0.2 (Apache 2.0) – LLaMA-2 base + 500,000+ தமிழ்/ஆங்கில samples-இல் fine-tune. Bilingual support.
• தமிழ் Parallel Corpus: NLPC-UOM/English-Tamil-Parallel-Corpus (22,477 glossary lines + 8,950 corpus lines) – அகராதி & sentence alignment focus.

Training Details

• Fine-tuning method: LoRA (Unsloth + 4-bit quantization)
• Dataset: 2,500+ தமிழ் instructions (JSONL) + IndicNLP Tamil corpus (அகராதி/சொற்றொடர் focus, ~11GB monolingual text)
• Epochs: 1–2
• Hardware: Google Colab T4 GPU / Local setup
• Quantization: Q8_0 GGUF (LM Studio-க்கு ready)

Intended Use

• Offline தமிழ் AI assistant (LM Studio, Ollama)
• தமிழ் மொழி ஆராய்ச்சி & education
• சின்னமானூர் போன்ற rural areas-க்கு free resource

Usage Example (Transformers)

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "leo/LeoTamil-selflearn-v1"
tokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(model_name, trust_remote_code=True, device_map="auto")

prompt = "தமிழ்நாட்டின் தலைநகரம் எது?"
inputs = tokenizer(prompt, return_tensors="pt").to(model.device)
outputs = model.generate(**inputs, max_new_tokens=100)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))