Instructions to use werty1248/HyperCLOVAX-1.5B-Reasoning-RFT with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use werty1248/HyperCLOVAX-1.5B-Reasoning-RFT with Transformers:

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

pipe = pipeline("text-generation", model="werty1248/HyperCLOVAX-1.5B-Reasoning-RFT")
messages = [
    {"role": "user", "content": "Who are you?"},
]
pipe(messages)

# Load model directly
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("werty1248/HyperCLOVAX-1.5B-Reasoning-RFT")
model = AutoModelForCausalLM.from_pretrained("werty1248/HyperCLOVAX-1.5B-Reasoning-RFT")
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 werty1248/HyperCLOVAX-1.5B-Reasoning-RFT with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "werty1248/HyperCLOVAX-1.5B-Reasoning-RFT"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "werty1248/HyperCLOVAX-1.5B-Reasoning-RFT",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker

docker model run hf.co/werty1248/HyperCLOVAX-1.5B-Reasoning-RFT

SGLang

How to use werty1248/HyperCLOVAX-1.5B-Reasoning-RFT 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 "werty1248/HyperCLOVAX-1.5B-Reasoning-RFT" \
    --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": "werty1248/HyperCLOVAX-1.5B-Reasoning-RFT",
		"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 "werty1248/HyperCLOVAX-1.5B-Reasoning-RFT" \
        --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": "werty1248/HyperCLOVAX-1.5B-Reasoning-RFT",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Docker Model Runner
How to use werty1248/HyperCLOVAX-1.5B-Reasoning-RFT with Docker Model Runner:
```
docker model run hf.co/werty1248/HyperCLOVAX-1.5B-Reasoning-RFT
```

werty1248 commited on Apr 30, 2025

Commit

0f0dd23

verified ·

1 Parent(s): 09ba802

Update README.md

Browse files

Files changed (1) hide show

README.md +3 -2

README.md CHANGED Viewed

@@ -82,7 +82,7 @@ Janet은 매일 농산물 시장에서 18달러를 벌어들입니다. 이는
 2. [HyperCLOVAX-1.5B](https://huggingface.co/naver-hyperclovax/HyperCLOVAX-SEED-Text-Instruct-1.5B)에 CoT 프롬프트를 추가(user 입력에)한 후, **Pass@8** 에서 통과한 질문만 추출 (10,433/54,832개)
 3. [HyperCLOVAX-1.5B](https://huggingface.co/naver-hyperclovax/HyperCLOVAX-SEED-Text-Instruct-1.5B)(+CoT)로 **32회 추가 추론** 후 정답을 맞힌 답변만 추출 + [Kanana-nano-2.1b](https://huggingface.co/kakaocorp/kanana-nano-2.1b-instruct)(+CoT)로 **32회 추가 추론** 후 정답을 맞힌 답변만 추출
   - HyperCLOVAX-1.5B CoT Prompt: ```"유저가 최종적으로 구하고자 하는 값이 무엇인지 다시 한 번 정의하고, 문제에서 제시된 조건도 깔끔하게 정리하여 재작성합니다. 그리고 나서 답을 구하기 위해 구체적으로 논리 및 수식을 전개하며 문제를 푼 후, 최종 답변을 \\boxed{} 안에 작성합니다.\n\n"```
-  - Kanana-2.1b CoT Prompt (마지막에 "제목 없이 내용만 출력합니다." 추가): ```""유저가 최종적으로 구하고자 하는 값이 무엇인지 다시 한 번 정의하고, 문제에서 제시된 조건도 깔끔하게 정리하여 재작성합니다. 그리고 나서 답을 구하기 위해 구체적으로 논리 및 수식을 전개하며 문제를 푼 후, 최종 답변을 \\boxed{} 안에 작성합니다. 제목 없이 내용만 작성합니다.\n\n"```
 #### 정답을 맞힌 답변 수 분포
@@ -94,7 +94,7 @@ Janet은 매일 농산물 시장에서 18달러를 벌어들입니다. 이는
 - 10,433개 질문에 대한 38,037개 답변 데이터 셋
 - Axolotl로 학습 (2x A40에서 2시간 = 4 GPU Hours)
-- CoT 프롬프트를 추가하긴 했으나, 평균 토큰 수는 짧음(평균 300토큰 미만)
 <details><summary>axolotl config</summary>
@@ -187,6 +187,7 @@ deepspeed: ./deepspeed_configs/zero3_bf16.json
 #### Least Similarity Sampling
 - **풀이가 틀렸는데 답만 맞춘 경우**가 생기면, 다른 올바른 풀이들과 낮은 유사도를 가져 거의 확정적으로 샘플링되는 문제 있음. 별도 필터링하지 않음.
 ### 출력
 - **평균 응답 길이가 753 token**(GSM8K 기준) 정도로, reasoning 모델보다 짧은 편 (아직 Reasoning 학습을 하지 않았기 때문)

 2. [HyperCLOVAX-1.5B](https://huggingface.co/naver-hyperclovax/HyperCLOVAX-SEED-Text-Instruct-1.5B)에 CoT 프롬프트를 추가(user 입력에)한 후, **Pass@8** 에서 통과한 질문만 추출 (10,433/54,832개)
 3. [HyperCLOVAX-1.5B](https://huggingface.co/naver-hyperclovax/HyperCLOVAX-SEED-Text-Instruct-1.5B)(+CoT)로 **32회 추가 추론** 후 정답을 맞힌 답변만 추출 + [Kanana-nano-2.1b](https://huggingface.co/kakaocorp/kanana-nano-2.1b-instruct)(+CoT)로 **32회 추가 추론** 후 정답을 맞힌 답변만 추출
   - HyperCLOVAX-1.5B CoT Prompt: ```"유저가 최종적으로 구하고자 하는 값이 무엇인지 다시 한 번 정의하고, 문제에서 제시된 조건도 깔끔하게 정리하여 재작성합니다. 그리고 나서 답을 구하기 위해 구체적으로 논리 및 수식을 전개하며 문제를 푼 후, 최종 답변을 \\boxed{} 안에 작성합니다.\n\n"```
+  - Kanana-2.1b CoT Prompt (마지막에 "제목 없이 내용만 작성합니다." 추가): ```""유저가 최종적으로 구하고자 하는 값이 무엇인지 다시 한 번 정의하고, 문제에서 제시된 조건도 깔끔하게 정리하여 재작성합니다. 그리고 나서 답을 구하기 위해 구체적으로 논리 및 수식을 전개하며 문제를 푼 후, 최종 답변을 \\boxed{} 안에 작성합니다. 제목 없이 내용만 작성합니다.\n\n"```
 #### 정답을 맞힌 답변 수 분포
 - 10,433개 질문에 대한 38,037개 답변 데이터 셋
 - Axolotl로 학습 (2x A40에서 2시간 = 4 GPU Hours)
+- CoT 프롬프트를 추가하긴 했으나, 평균 답변 토큰 수는 짧음(평균 300토큰 미만)
 <details><summary>axolotl config</summary>
 #### Least Similarity Sampling
 - **풀이가 틀렸는데 답만 맞춘 경우**가 생기면, 다른 올바른 풀이들과 낮은 유사도를 가져 거의 확정적으로 샘플링되는 문제 있음. 별도 필터링하지 않음.
+- 마찬가지로, **풀이 없이 답만 출력한 경우**가 발생할때도, 풀이가 있는 다른 답변과 유사도가 낮아 적어도 하나는 확정적으로 샘플링되는 문제가 있음. 별도 필터링하지 않음.
 ### 출력
 - **평균 응답 길이가 753 token**(GSM8K 기준) 정도로, reasoning 모델보다 짧은 편 (아직 Reasoning 학습을 하지 않았기 때문)