Instructions to use David-Evora/infofrota-text2sql-lora with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use David-Evora/infofrota-text2sql-lora with PEFT:

from peft import PeftModel
from transformers import AutoModelForCausalLM

base_model = AutoModelForCausalLM.from_pretrained("unsloth/Llama-3.1-8B-Instruct")
model = PeftModel.from_pretrained(base_model, "David-Evora/infofrota-text2sql-lora")

Transformers

How to use David-Evora/infofrota-text2sql-lora with Transformers:

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

pipe = pipeline("text-generation", model="David-Evora/infofrota-text2sql-lora")
messages = [
    {"role": "user", "content": "Who are you?"},
]
pipe(messages)

# pip install -U transformers accelerate
# Load model directly
from transformers import AutoModel
model = AutoModel.from_pretrained("David-Evora/infofrota-text2sql-lora", device_map="auto")

Notebooks
Google Colab
Kaggle
Local Apps Settings

vLLM

How to use David-Evora/infofrota-text2sql-lora with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "David-Evora/infofrota-text2sql-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": "David-Evora/infofrota-text2sql-lora",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker

docker model run hf.co/David-Evora/infofrota-text2sql-lora

SGLang

How to use David-Evora/infofrota-text2sql-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 "David-Evora/infofrota-text2sql-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": "David-Evora/infofrota-text2sql-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 "David-Evora/infofrota-text2sql-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": "David-Evora/infofrota-text2sql-lora",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Docker Model Runner
How to use David-Evora/infofrota-text2sql-lora with Docker Model Runner:
```
docker model run hf.co/David-Evora/infofrota-text2sql-lora
```

InfoFrota Text-to-SQL (adaptador LoRA para Llama 3.1 8B Instruct)

Adaptador LoRA que ensina o Llama 3.1 8B Instruct a transformar perguntas em português em consultas SQLite para o banco sintético do projeto InfoFrota (ocupação de ônibus, alertas de lotação, linhas e paradas).

Código, dados sintéticos e benchmark: https://github.com/David-Evora/InfoFrota
Kaggle Notebook: https://www.kaggle.com/code/davidevora/notebook-portifolio-infofrota
Projeto independente, sem endosso nem parceria com órgãos ou operadoras de transporte. Só os rótulos das linhas vêm de um CSV aberto (CC0) da CETURB-ES.

Variante

Este repositório contém o adaptador treinado sem contexto recuperado (resultado definido antes de qualquer ajuste).

Uso pretendido e limites

Pesquisa e demonstração de Text-to-SQL em português sobre o esquema do InfoFrota. Não use em produção nem para decisões operacionais: o modelo foi treinado e medido apenas em dados simulados. O SQL gerado deve sempre passar por uma guarda somente leitura (o repositório traz uma, em três camadas).

Treino

Base: unsloth/Llama-3.1-8B-Instruct (mesmos pesos do Llama 3.1 8B Instruct), quantização 4 bits nf4, QLoRA.
LoRA: r=16, alpha=32, dropout 0,05, nos módulos q, k, v, o, gate, up e down.
3 épocas, lote efetivo 16, taxa de aprendizado 2e-4 com cosseno. GPU T4 no Kaggle.
Dados: 738 exemplos construídos por famílias de modelos de pergunta e SQL (679 treino, 59 validação), com 8% de recusas para perguntas fora do domínio ou pedidos de escrita.
Filtros contra vazamento do teste (similaridade de Jaccard, esqueleto de SQL, famílias próximas excluídas): ver training/REPORT.md no repositório.

Avaliação

Benchmark congelado v2.1 com 56 perguntas, zero-shot, critério "o resultado contém o esperado".

Condição	Acertos	Acurácia
Base, prompt compacto	19/56	33,9%
Este adaptador, prompt compacto	36/56	64,3%

Leitura honesta dos números:

Com 56 perguntas, diferenças de um ou dois acertos são ruído.
O nível difícil continua baixo.
A pergunta D06 tem defeito conhecido na referência; a pontuação publicada não foi ajustada depois de ver o resultado.
Os números vêm de dados sintéticos e não medem desempenho em operação real.

Como carregar

from transformers import AutoModelForCausalLM, AutoTokenizer, BitsAndBytesConfig
from peft import PeftModel

base = "unsloth/Llama-3.1-8B-Instruct"
tok = AutoTokenizer.from_pretrained(base)
modelo = AutoModelForCausalLM.from_pretrained(
    base, device_map="auto",
    quantization_config=BitsAndBytesConfig(load_in_4bit=True, bnb_4bit_quant_type="nf4"))
modelo = PeftModel.from_pretrained(modelo, "David-Evora/infofrota-text2sql-lora")

O prompt esperado está em infofrota_ai/prompts.py do repositório (modo compacto).

Licença

Adaptador derivado do Llama 3.1: use sob a Llama 3.1 Community License. Built with Llama.

Framework versions

PEFT 0.21.2

Downloads last month: 31

Model tree for David-Evora/infofrota-text2sql-lora

Base model

meta-llama/Llama-3.1-8B

Finetuned

meta-llama/Llama-3.1-8B-Instruct

Finetuned

unsloth/Llama-3.1-8B-Instruct

Adapter

(169)

this model