Instructions to use admin-lima/phi35-saude-amazonia-lora with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use admin-lima/phi35-saude-amazonia-lora with Transformers:

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

pipe = pipeline("text-generation", model="admin-lima/phi35-saude-amazonia-lora")
messages = [
    {"role": "user", "content": "Who are you?"},
]
pipe(messages)

# Load model directly
from transformers import AutoModel
model = AutoModel.from_pretrained("admin-lima/phi35-saude-amazonia-lora", dtype="auto")

Notebooks
Google Colab
Kaggle
Local Apps Settings

vLLM

How to use admin-lima/phi35-saude-amazonia-lora with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "admin-lima/phi35-saude-amazonia-lora"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "admin-lima/phi35-saude-amazonia-lora",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker

docker model run hf.co/admin-lima/phi35-saude-amazonia-lora

SGLang

How to use admin-lima/phi35-saude-amazonia-lora 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 "admin-lima/phi35-saude-amazonia-lora" \
    --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": "admin-lima/phi35-saude-amazonia-lora",
		"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 "admin-lima/phi35-saude-amazonia-lora" \
        --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": "admin-lima/phi35-saude-amazonia-lora",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Docker Model Runner
How to use admin-lima/phi35-saude-amazonia-lora with Docker Model Runner:
```
docker model run hf.co/admin-lima/phi35-saude-amazonia-lora
```

phi35-saude-amazonia-lora / README.md

admin-lima

Atualiza model card (lora, tags)

252744c verified 13 days ago

preview code

Raw

History Blame Contribute Delete

4.45 kB

	---
	language:
	- pt
	license: mit
	library_name: transformers
	pipeline_tag: text-generation
	base_model: microsoft/Phi-3.5-mini-instruct
	tags:
	- text-generation
	- sft
	- phi3
	- portuguese
	- health
	- offline-llm
	- lora
	---

	# Phi-3.5-mini — Adapter LoRA · Saúde Coletiva Amazônia (sLLM offline)

	> Potencialidades dos Pequenos Modelos de Linguagem (sLLMs) como Assistentes Offline na Saúde Coletiva: Curadoria Informacional contra Assimetrias na Amazônia Isolada. (ENANCIB 2026 / GT 8 — Ciência da Informação)

	## 📋 Resumo
	_sLLM_ (small LLM) em português para apoiar profissionais de saúde em comunidades isoladas da Amazônia, operando 100% offline com grounding (RAG) em um corpus oficial do SUS. A tese: a curadoria da informação — mais que o porte do modelo — determina a confiabilidade. Treinado em 1.000 diálogos clínicos sintéticos curados (pilares P3 Saúde Indígena e P5 Atenção Primária).

	## 🧩 Este artefato — adapter LoRA
	Adapter QLoRA 4-bit (nf4, double-quant) (r=16, alvos: qkv_proj, o_proj) fundível no base [`microsoft/Phi-3.5-mini-instruct`](https://huggingface.co/microsoft/Phi-3.5-mini-instruct). Contém apenas os deltas LoRA — para inferência, carregue o base e acople o adapter:

	```python
	from transformers import AutoModelForCausalLM, AutoTokenizer
	from peft import PeftModel
	base = AutoModelForCausalLM.from_pretrained("microsoft/Phi-3.5-mini-instruct", trust_remote_code=True, torch_dtype='float16', device_map='auto')
	tok = AutoTokenizer.from_pretrained("microsoft/Phi-3.5-mini-instruct", trust_remote_code=True)
	model = PeftModel.from_pretrained(base, "admin-lima/phi35-saude-amazonia-lora")
	# Opcional: fundir para velocidade -> model = model.merge_and_unload()
	```

	Treinado no dataset [`admin-lima/sllm-amazonia-saude-sft`](https://huggingface.co/datasets/admin-lima/sllm-amazonia-saude-sft) (1.000 diálogos).

	Próximas etapas: `admin-lima/phi35-saude-amazonia-merged` (fusão fp16) → `admin-lima/phi35-saude-amazonia-gguf` (Q4_K_M).

	## 📊 Resultados (conjunto hold-out, n=33)
	\| Modelo \| Porte \| TRR \| FRR \| F1 \| Halluc. \|
	\|---\|---\|---\|---\|---\|---\|
	\| Phi-3.5-mini (QLoRA) \| 3.8B \| 0.929 \| 0.266 \| 0.813 \| 0.03 \|
	\| Qwen2.5-0.5B (LoRA) \| 500M \| 0.857 \| 0.053 \| 0.889 \| 0.03 \|

	TRR — relevância da resposta · FRR — taxa de recusa · F1 — F1 de recusa (recusar o que está fora do escopo) · Halluc. — taxa de alucinação.

	## 🔗 Artefatos relacionados
	\| Artefato \| Repositório \|
	\|---\|---\|
	\| Dataset (SFT) \| [`admin-lima/sllm-amazonia-saude-sft`](https://huggingface.co/admin-lima/sllm-amazonia-saude-sft) \|
	\| ✅ Phi-3.5-mini — adapter \| [`admin-lima/phi35-saude-amazonia-lora`](https://huggingface.co/admin-lima/phi35-saude-amazonia-lora) \|
	\| Phi-3.5-mini — fundido fp16 \| [`admin-lima/phi35-saude-amazonia-merged`](https://huggingface.co/admin-lima/phi35-saude-amazonia-merged) \|
	\| Phi-3.5-mini — GGUF Q4_K_M \| [`admin-lima/phi35-saude-amazonia-gguf`](https://huggingface.co/admin-lima/phi35-saude-amazonia-gguf) \|
	\| Qwen2.5-0.5B — adapter \| [`admin-lima/qwen05b-saude-amazonia-lora`](https://huggingface.co/admin-lima/qwen05b-saude-amazonia-lora) \|
	\| Qwen2.5-0.5B — fundido fp16 \| [`admin-lima/qwen05b-saude-amazonia-merged`](https://huggingface.co/admin-lima/qwen05b-saude-amazonia-merged) \|
	\| Qwen2.5-0.5B — GGUF Q4_K_M \| [`admin-lima/qwen05b-saude-amazonia-gguf`](https://huggingface.co/admin-lima/qwen05b-saude-amazonia-gguf) \|

	## 🛡️ Limitações e uso responsável
	- Não é dispositivo médico nem substitui avaliação profissional. Use como apoio à decisão.
	- Deve operar acoplado ao corpus RAG (pilares oficiais do SUS) para grounding.
	- Treinado em dados sintéticos em PT-BR com foco regional (Amazônia); pode ter lacunas.
	- Alucinação ≈ 3 % (não nula) — sempre verifique informações críticas.
	- Mantenha o modelo offline em ambientes sem conectividade; respeite a privacidade dos dados locais.

	## 📜 Licença
	Derivado de [`microsoft/Phi-3.5-mini-instruct`](https://huggingface.co/microsoft/Phi-3.5-mini-instruct). Distribuído sob a licença do modelo base (`mit`). Dataset sintético próprio.

	## 📚 Citação (preliminar)
	```bibtex
	@misc{sllm_amazonia_saude_2026,
	title = {sLLMs Offline de Saúde Coletiva na Amazônia},
	author = {admin-lima},
	year = {2026},
	note = {ENANCIB 2026 / GT 8 — pré-print}
	}
	```