Instructions to use simoncharr/INFO905_JBILOU_CHARRIER with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use simoncharr/INFO905_JBILOU_CHARRIER with PEFT:

from peft import PeftModel
from transformers import AutoModelForCausalLM

base_model = AutoModelForCausalLM.from_pretrained("unsloth/Qwen3-4B-Instruct-2507-unsloth-bnb-4bit")
model = PeftModel.from_pretrained(base_model, "simoncharr/INFO905_JBILOU_CHARRIER")

Transformers

How to use simoncharr/INFO905_JBILOU_CHARRIER with Transformers:

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

pipe = pipeline("text-generation", model="simoncharr/INFO905_JBILOU_CHARRIER")

# Load model directly
from transformers import AutoModel
model = AutoModel.from_pretrained("simoncharr/INFO905_JBILOU_CHARRIER", dtype="auto")

Notebooks
Google Colab
Kaggle
Local Apps

vLLM

How to use simoncharr/INFO905_JBILOU_CHARRIER with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "simoncharr/INFO905_JBILOU_CHARRIER"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "simoncharr/INFO905_JBILOU_CHARRIER",
		"prompt": "Once upon a time,",
		"max_tokens": 512,
		"temperature": 0.5
	}'

Use Docker

docker model run hf.co/simoncharr/INFO905_JBILOU_CHARRIER

SGLang

How to use simoncharr/INFO905_JBILOU_CHARRIER 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 "simoncharr/INFO905_JBILOU_CHARRIER" \
    --host 0.0.0.0 \
    --port 30000
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:30000/v1/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "simoncharr/INFO905_JBILOU_CHARRIER",
		"prompt": "Once upon a time,",
		"max_tokens": 512,
		"temperature": 0.5
	}'

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 "simoncharr/INFO905_JBILOU_CHARRIER" \
        --host 0.0.0.0 \
        --port 30000
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:30000/v1/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "simoncharr/INFO905_JBILOU_CHARRIER",
		"prompt": "Once upon a time,",
		"max_tokens": 512,
		"temperature": 0.5
	}'

Docker Model Runner
How to use simoncharr/INFO905_JBILOU_CHARRIER with Docker Model Runner:
```
docker model run hf.co/simoncharr/INFO905_JBILOU_CHARRIER
```

Pokemon DASD LoRA Adapter

Adaptateur LoRA pour Qwen3-4B fine-tuné sur un dataset de questions/réponses Pokémon avec raisonnement structuré, utilisant la méthode DASD (Distribution-Aligned Sequence Distillation).

Description du modèle

Ce modèle est un adaptateur LoRA entraîné en 2 stages selon la méthodologie DASD :

Stage 1 : Entraînement sur des données générées à basse température (tau=0.3) pour la stabilité
Stage 2 : Entraînement sur des données générées à haute température (tau=0.9) pour la diversité

Le modèle génère des réponses avec un raisonnement structuré dans des balises <reasoning>...</reasoning>.

Détails techniques

Paramètre	Valeur
Modèle de base	`unsloth/Qwen3-4B-Instruct-2507-unsloth-bnb-4bit`
Type de fine-tuning	LoRA
LoRA rank (r)	8
LoRA alpha	16
Modules ciblés	q_proj, k_proj, v_proj, o_proj, gate_proj, up_proj, down_proj
Framework	LLaMA-Factory + PEFT 0.18.1

Hyperparamètres d'entraînement

Stage	Epochs	Learning Rate	Batch Size	Loss finale
Stage 1 (tau=0.3)	5	1e-4	1 (grad_accum=4)	0.772
Stage 2 (tau=0.9)	3	5e-5	1 (grad_accum=4)	0.882

Utilisation

from transformers import AutoModelForCausalLM, AutoTokenizer
from peft import PeftModel

# Charger le modèle de base
base_model = AutoModelForCausalLM.from_pretrained(
    "unsloth/Qwen3-4B-Instruct-2507-unsloth-bnb-4bit",
    device_map="auto",
    trust_remote_code=True
)
tokenizer = AutoTokenizer.from_pretrained(
    "unsloth/Qwen3-4B-Instruct-2507-unsloth-bnb-4bit",
    trust_remote_code=True
)

# Charger l'adaptateur LoRA
model = PeftModel.from_pretrained(base_model, "simoncharr/pokemon-dasd-lora-adapter")

# Générer une réponse
messages = [
    {"role": "system", "content": "Tu es un expert Pokémon. Raisonne étape par étape dans des balises <reasoning>...</reasoning> avant de donner ta réponse finale."},
    {"role": "user", "content": "Quelle est l'efficacité d'une attaque de type Feu contre un Pokémon de type Eau/Sol ?"}
]

inputs = tokenizer.apply_chat_template(messages, return_tensors="pt").to(model.device)
outputs = model.generate(inputs, max_new_tokens=1024, temperature=0.7)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

Dataset d'entraînement

Ce modèle a été entraîné sur le dataset pokemon-dasd-dataset contenant 600 exemples (300 par stage) de questions Pokémon avec réponses détaillées et raisonnement structuré.

Catégories couvertes

Efficacité des types
STAB et calcul de dégâts
Évolutions et conditions
Analyse de statistiques
Stratégie compétitive (Little Cup, OU, VGC)

Méthodologie DASD

La méthode DASD (Distribution-Aligned Sequence Distillation) consiste à :

Générer des réponses avec un modèle "teacher" à différentes températures
Calculer les log-probabilités pour identifier les "Teacher Sentences" (où le teacher est confiant mais l'étudiant ne l'est pas)
Filtrer les données via Divergence-Aware Sampling (DAS)
Entraîner en 2 stages : stabilité (basse temp) puis diversité (haute temp)

Limitations

Le modèle peut générer des informations incorrectes sur des Pokémon fictifs ou mal nommés
Les réponses sont optimisées pour le français
Le raisonnement peut parfois être redondant

Citation

@misc{pokemon-dasd-2025,
  title={Pokemon DASD LoRA Adapter},
  author={[Votre nom]},
  year={2025},
  howpublished={HuggingFace Hub}
}

Références

Downloads last month: -

Model tree for simoncharr/INFO905_JBILOU_CHARRIER

Base model

Qwen/Qwen3-4B-Instruct-2507

Quantized

unsloth/Qwen3-4B-Instruct-2507-unsloth-bnb-4bit

Adapter

(11)

this model