Instructions to use attn-signs/Watari-7b-v1 with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use attn-signs/Watari-7b-v1 with Transformers:

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

pipe = pipeline("text-generation", model="attn-signs/Watari-7b-v1")
messages = [
    {"role": "user", "content": "Who are you?"},
]
pipe(messages)

# Load model directly
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("attn-signs/Watari-7b-v1")
model = AutoModelForCausalLM.from_pretrained("attn-signs/Watari-7b-v1")
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 attn-signs/Watari-7b-v1 with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "attn-signs/Watari-7b-v1"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "attn-signs/Watari-7b-v1",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker

docker model run hf.co/attn-signs/Watari-7b-v1

SGLang

How to use attn-signs/Watari-7b-v1 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 "attn-signs/Watari-7b-v1" \
    --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": "attn-signs/Watari-7b-v1",
		"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 "attn-signs/Watari-7b-v1" \
        --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": "attn-signs/Watari-7b-v1",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Docker Model Runner
How to use attn-signs/Watari-7b-v1 with Docker Model Runner:
```
docker model run hf.co/attn-signs/Watari-7b-v1
```
Browse Quantizations to use this model in llama.cpp, Ollama, LM Studio, or any compatible app.

Watari 7B (V1)

[EN]
Qwen2.5-based model, adapted for russian text generation tasks.
This is a base SFT version for further reasoning development and alignment.
[RU]
Finetune версия Qwen2.5, адаптированная для генерации русского текста.
Является SFT базой для дальнейших ризонинг-оптимизаций с GRPO и алайнмента.

Huge thanks to mradermacher for converting all models to GGUF format!

The further conversions/upgrade are much appreciated and welcomed, feel free to join. [https://huggingface.co/mradermacher/Watari-7b-v0-GGUF] [https://huggingface.co/mradermacher/Watari-7b-v0.5-GGUF]
[https://huggingface.co/mradermacher/Watari-7b-v1-GGUF]

Repo id: mradermacher/Watari-7b-v0-GGUF
Repo id: mradermacher/Watari-7b-v0.5-GGUF
Repo id: mradermacher/Watari-7b-v1-GGUF

Previous model states (considering epoch %):

Watari-7b-v0
Watari-7b-v0.5

Model Details / Детализация модели

[EN]
Full supervised finetuning was performed on 2xA100 NVIDIA GPUs for ~7 days for 1 epoch on dataset:
GrandMaster [Vikhrmodels/GrandMaster-PRO-MAX]
[RU]
Полный SFT цикл (bfloat16, без низкоранговых адаптеров LoRa) был выполнен на двух NVIDIA A100, обучение длилось около 7 дней.
Прогон полной эпохи датасета GrandMaster [Vikhrmodels/GrandMaster-PRO-MAX]

Model Description / Описание модели

Developed by: [Reisen Raumberg (Attention Signs team)]
Language(s) (NLP): [RU/EN]
Finetuned from model: [Qwen2.5]

Utilized DeepSpeed (Stage 3), HF.Accelerator for distributed training and fused AdamW.
GPU hours: 336h of NVIDIA A100

Для обучения использовались HuggingFace Accelerator с Microsoft DeepSpeed (Stage 3) для распределения параметров и стейта оптимизатора, а так же зафьюженный AdamW
GPU часы: 336 часов NVIDIA A100

Using the model / Как запустить?

from transformers import AutoTokenizer, AutoModelForCausalLM

repo = 'attn-signs/Watari-7b-v1'

model = AutoModelForCausalLM.from_pretrained(repo)
tokenizer = AutoTokenizer.from_pretrained(repo)

model.to('cuda')

prompt = 'Что такое тензор Риччи?'
messages = [
    {"role": "system", "content": "Ты Ватари, ассистент и помощник в решении различных задач. Отвечай на вопросы пользователя, рассуждая."},
    {"role": "user", "content": prompt}
]
text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True
)
model_inputs = tokenizer([text], return_tensors="pt").to(model.device)

generated_ids = model.generate(
    **model_inputs,
    max_new_tokens=1024
)
generated_ids = [
    output_ids[len(input_ids):] for input_ids, output_ids in zip(model_inputs.input_ids, generated_ids)
]

response = tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]

print(response)

Тензор Риччи — это тензорная величина в дифференциальной геометрии, которая описывает кривизну многообразия. Он играет важную роль в общей теории относительности и других областях математики.

В общем виде тензор Риччи \( R_{ij} \) определяется через тензор Римана \( R^k_{ijkj} \) следующим образом:

\[ R_{ij} = R^k_{ijkj} \]

Это уравнение показывает, что тензор Риччи является суммированием по индексу \( k \) компонент тензора Римана, которые соответствуют компонентам метрического тензора \( g_{ij} \). Таким образом, тензор Риччи учитывает информацию о кривизне во всех направлениях в каждой точке многообразия.

Тензор Риччи также связан с скалярной кривизной \( R \), которая получается путем дальнейшего суммирования:

\[ R = g^{ij}R_{ij} \]

Скалярная кривизна является мерой того, насколько многообразие отличается от плоского (плоское многообразие имеет скалярную кривизну равную нулю).

В контексте общей теории относительности, тензор Риччи связывает массу и энергию (описываемые тензором энергии-импульса) с геометрией пространства-времени (описываемой метрикой). Это выражается уравнением Эйнштейна:

\[ G_{ij} = 8\pi T_{ij} \]

где \( G_{ij} \) — тензор Эйнштейна, который является тензором Риччи, уменьшенным на константу, а \( T_{ij} \) — тензор энергии-импульса.

Таким образом, тензор Риччи является ключевым понятием в изучении геометрии многообразий и их взаимодействия с материей и энергией.