Instructions to use Clem27-Assistants/Learnia-Empathic-v2 with libraries, inference providers, notebooks, and local apps. Follow these links to get started.
- Libraries
- Transformers
How to use Clem27-Assistants/Learnia-Empathic-v2 with Transformers:
# Use a pipeline as a high-level helper from transformers import pipeline pipe = pipeline("text-generation", model="Clem27-Assistants/Learnia-Empathic-v2") messages = [ {"role": "user", "content": "Who are you?"}, ] pipe(messages)# pip install -U transformers accelerate # Load model directly from transformers import AutoTokenizer, AutoModelForCausalLM tokenizer = AutoTokenizer.from_pretrained("Clem27-Assistants/Learnia-Empathic-v2") model = AutoModelForCausalLM.from_pretrained("Clem27-Assistants/Learnia-Empathic-v2", device_map="auto") 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=256) print(tokenizer.decode(outputs[0][inputs["input_ids"].shape[-1]:])) - Notebooks
- Google Colab
- Kaggle
- Local Apps Settings
- vLLM
How to use Clem27-Assistants/Learnia-Empathic-v2 with vLLM:
Install from pip and serve model
# Install vLLM from pip: pip install vllm # Start the vLLM server: vllm serve "Clem27-Assistants/Learnia-Empathic-v2" # Call the server using curl (OpenAI-compatible API): curl -X POST "http://localhost:8000/v1/chat/completions" \ -H "Content-Type: application/json" \ --data '{ "model": "Clem27-Assistants/Learnia-Empathic-v2", "messages": [ { "role": "user", "content": "What is the capital of France?" } ] }'Use Docker
docker model run hf.co/Clem27-Assistants/Learnia-Empathic-v2
- SGLang
How to use Clem27-Assistants/Learnia-Empathic-v2 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 "Clem27-Assistants/Learnia-Empathic-v2" \ --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": "Clem27-Assistants/Learnia-Empathic-v2", "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 "Clem27-Assistants/Learnia-Empathic-v2" \ --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": "Clem27-Assistants/Learnia-Empathic-v2", "messages": [ { "role": "user", "content": "What is the capital of France?" } ] }' - Docker Model Runner
How to use Clem27-Assistants/Learnia-Empathic-v2 with Docker Model Runner:
docker model run hf.co/Clem27-Assistants/Learnia-Empathic-v2
🧠 Fiche Technique : Learnia-Empathic-v2
📝 Présentation
Learnia-Empathic-v2 est un Small Language Model (SLM) de 51,6 millions de paramètres, conçu intégralement from scratch. Il représente l'évolution directe de Learnia-Empathic-Tchat et constitue la version Instruct optimisée du modèle de base Learnia. Ce modèle a été spécifiquement forgé pour capturer la nuance émotionnelle et répondre avec une sensibilité accrue tout en conservant la légèreté d'une architecture compacte.
🚀 Spécifications de l'Architecture
- Type de modèle : SLM (Small Language Model)
- Base : Learnia (Base Model)
- Taille : 51,6M de paramètres
- Méthode d'entraînement : From scratch (Architecture propriétaire)
- Optimisation : Fine-tuned pour l'instruction et le dialogue empathique
📊 Dataset & Entraînement
Le modèle a bénéficié d'un entraînement intensif sur un corpus ultra-spécialisé :
- Volume : 10 100 dialogues empathiques sélectionnés manuellement.
- Focus : Intelligence émotionnelle, compréhension du contexte relationnel et finesse de réponse.
- Langue : Anglais (EN) 🇬🇧 L'objectif était de s'éloigner des réponses robotiques pour atteindre une "texture" de langage plus humaine et authentique, propre à la philosophie des créations de cette lignée.
✨ Points Forts
- ⚡ Ultra-Rapide : Grâce à ses 51,6M de paramètres, il est idéal pour une exécution locale ou sur des ressources limitées (comme le Nano f-1).
- 🤝 Empathie Native : Contrairement aux modèles généralistes, il est câblé pour la résonance émotionnelle.
- 📉 Efficience : Une densité de connaissances élevée par rapport à son empreinte mémoire.
🛠️ Cas d'Usage
- Assistants de bien-être : Support moral et écoute active.
- Jeux de rôle (RP) : PNJs capables de réagir aux sentiments des joueurs.
- Interface de médiation : Soft-skills et communication non-violente.
⚠️ Notes de développement
Le modèle privilégie l'originalité du langage et la pertinence émotionnelle. Il s'inscrit dans une démarche de création de syntaxes uniques, évitant le lissage excessif des modèles industriels classiques.
Statut du projet : Stable / Version Instruct 2.0 🟢
nos conditions d'utilisation et politique de confidentialité officielles : https://learnia-gazelle-empathy.lovable.app/
- Downloads last month
- 12
