Instructions to use Tana-Pun/thai-paper-summarizer-7b with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Notebooks
Google Colab
Kaggle
Local Apps Settings

How to use Tana-Pun/thai-paper-summarizer-7b with llama.cpp:

Install (macOS, Linux)

curl -LsSf https://llama.app/install.sh | sh
# Start a local OpenAI-compatible server with a web UI:
llama serve -hf Tana-Pun/thai-paper-summarizer-7b:Q4_K_M
# Run inference directly in the terminal:
llama cli -hf Tana-Pun/thai-paper-summarizer-7b:Q4_K_M

Install from WinGet (Windows)

winget install llama.cpp
# Start a local OpenAI-compatible server with a web UI:
llama serve -hf Tana-Pun/thai-paper-summarizer-7b:Q4_K_M
# Run inference directly in the terminal:
llama cli -hf Tana-Pun/thai-paper-summarizer-7b:Q4_K_M

Use pre-built binary

# Download pre-built binary from:
# https://github.com/ggerganov/llama.cpp/releases
# Start a local OpenAI-compatible server with a web UI:
./llama-server -hf Tana-Pun/thai-paper-summarizer-7b:Q4_K_M
# Run inference directly in the terminal:
./llama-cli -hf Tana-Pun/thai-paper-summarizer-7b:Q4_K_M

Build from source code

git clone https://github.com/ggerganov/llama.cpp.git
cd llama.cpp
cmake -B build
cmake --build build -j --target llama-server llama-cli
# Start a local OpenAI-compatible server with a web UI:
./build/bin/llama-server -hf Tana-Pun/thai-paper-summarizer-7b:Q4_K_M
# Run inference directly in the terminal:
./build/bin/llama-cli -hf Tana-Pun/thai-paper-summarizer-7b:Q4_K_M

Use Docker

docker model run hf.co/Tana-Pun/thai-paper-summarizer-7b:Q4_K_M

LM Studio
Jan
Ollama
How to use Tana-Pun/thai-paper-summarizer-7b with Ollama:
```
ollama run hf.co/Tana-Pun/thai-paper-summarizer-7b:Q4_K_M
```

Unsloth Studio

How to use Tana-Pun/thai-paper-summarizer-7b with Unsloth Studio:

Install Unsloth Studio (macOS, Linux, WSL)

curl -fsSL https://unsloth.ai/install.sh | sh
# Run unsloth studio
unsloth studio -H 0.0.0.0 -p 8888
# Then open http://localhost:8888 in your browser
# Search for Tana-Pun/thai-paper-summarizer-7b to start chatting

Install Unsloth Studio (Windows)

irm https://unsloth.ai/install.ps1 | iex
# Run unsloth studio
unsloth studio -H 0.0.0.0 -p 8888
# Then open http://localhost:8888 in your browser
# Search for Tana-Pun/thai-paper-summarizer-7b to start chatting

Using HuggingFace Spaces for Unsloth

# No setup required
# Open https://huggingface.co/spaces/unsloth/studio in your browser
# Search for Tana-Pun/thai-paper-summarizer-7b to start chatting

How to use Tana-Pun/thai-paper-summarizer-7b with Pi:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf Tana-Pun/thai-paper-summarizer-7b:Q4_K_M

Configure the model in Pi

# Install Pi:
npm install -g @mariozechner/pi-coding-agent
# Add to ~/.pi/agent/models.json:
{
  "providers": {
    "llama-cpp": {
      "baseUrl": "http://localhost:8080/v1",
      "api": "openai-completions",
      "apiKey": "none",
      "models": [
        {
          "id": "Tana-Pun/thai-paper-summarizer-7b:Q4_K_M"
        }
      ]
    }
  }
}

Run Pi

# Start Pi in your project directory:
pi

Hermes Agent new

How to use Tana-Pun/thai-paper-summarizer-7b with Hermes Agent:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf Tana-Pun/thai-paper-summarizer-7b:Q4_K_M

Configure Hermes

# Install Hermes:
curl -fsSL https://hermes-agent.nousresearch.com/install.sh | bash
hermes setup
# Point Hermes at the local server:
hermes config set model.provider custom
hermes config set model.base_url http://127.0.0.1:8080/v1
hermes config set model.default Tana-Pun/thai-paper-summarizer-7b:Q4_K_M

Run Hermes

hermes

OpenClaw new

How to use Tana-Pun/thai-paper-summarizer-7b with OpenClaw:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf Tana-Pun/thai-paper-summarizer-7b:Q4_K_M

Configure OpenClaw

# Install OpenClaw:
npm install -g openclaw@latest
# Register the local server and set it as the default model:
openclaw onboard --non-interactive --mode local \
  --auth-choice custom-api-key \
  --custom-base-url http://127.0.0.1:8080/v1 \
  --custom-model-id "Tana-Pun/thai-paper-summarizer-7b:Q4_K_M" \
  --custom-provider-id llama-cpp \
  --custom-compatibility openai \
  --custom-text-input \
  --accept-risk \
  --skip-health

Run OpenClaw

openclaw agent --local --agent main --message "Hello from Hugging Face"

Docker Model Runner
How to use Tana-Pun/thai-paper-summarizer-7b with Docker Model Runner:
```
docker model run hf.co/Tana-Pun/thai-paper-summarizer-7b:Q4_K_M
```

Lemonade

How to use Tana-Pun/thai-paper-summarizer-7b with Lemonade:

Pull the model

# Download Lemonade from https://lemonade-server.ai/
lemonade pull Tana-Pun/thai-paper-summarizer-7b:Q4_K_M

Run and chat with the model

lemonade run user.thai-paper-summarizer-7b-Q4_K_M

List all available models

lemonade list

Atomic Chat

Thai Paper Summarizer 7B (GGUF Q4_K_M)

สรุป paper AI (title + abstract ภาษาอังกฤษ) ให้เป็น การ์ดภาษาไทยโทนเพื่อนเล่าให้ฟัง คืนค่าเป็น JSON: title_th, summary_th, wow_point, tags

Fine-tune จาก scb10x/typhoon2-qwen2.5-7b-instruct ด้วย LoRA (r=16, alpha=16) โดย distill จาก Gemini (gemini-3.1-flash-lite) — 340 ตัวอย่างเทรน / 60 ตัวอย่างเทสต์

ผล Evaluation (test set 60 ใบ)

ให้ Claude Sonnet 5 เป็นกรรมการแบบ blind (เห็นแค่ paper + การ์ด 1 ใบ ไม่รู้ว่าใครสรุป) ให้คะแนน 1-5 สามแกน — Gemini ถูกตัดสินด้วยเกณฑ์เดียวกัน

ระบบ	accuracy	tone	wow	เฉลี่ย
Gemini (teacher)	3.95	4.68	3.73	4.12
โมเดลนี้	3.45	4.37	3.42	3.75
base (ไม่ fine-tune)	3.50	2.43	2.00	2.64

ได้ 91% ของ teacher และดีกว่า base ชัดเจน

fine-tune ซื้ออะไรมา

	base	fine-tuned
tone (เพื่อนเล่า)	2.43	4.37
wow (จุดว้าว)	2.00	3.42
คงศัพท์อังกฤษ (en tokens)	4	8
JSON ใช้ได้จริง	100%	98%

น่าสนใจ: accuracy แทบไม่ต่าง (3.50 vs 3.45) — สิ่งที่ fine-tune แก้คือ โทนและการเล่า ไม่ใช่ความถูกต้อง base อ่าน paper รู้เรื่องอยู่แล้ว แค่เล่าแบบแปลตรงตัว/วิชาการจนไม่มีใครอยากอ่าน

วิธีใช้ (llama.cpp)

llama-cli -m thai-paper-summarizer-7b.Q4_K_M.gguf   -p "Title: ...

Abstract: ..." -n 1024 --temp 0

ข้อจำกัด

เทรนจาก paper สาย cs.CL / cs.AI เท่านั้น — สาขาอื่นอาจเพี้ยน
dataset เล็ก (340 ตัวอย่าง) — เป็นงาน distill เชิงเรียนรู้ ไม่ใช่โมเดล production scale
~2% ของ output ยัง JSON ไม่ครบ field ฝั่งที่เรียกใช้ควรมี fallback

Training

Unsloth + QLoRA 4bit บน Colab T4 · eval_loss 0.987

โปรเจกต์เต็ม: https://github.com/Tanapunn/thai-paper-feed

Downloads last month: 29

GGUF

Model size

8B params

Architecture

qwen2

Hardware compatibility

4-bit

Model tree for Tana-Pun/thai-paper-summarizer-7b

Base model

typhoon-ai/typhoon2-qwen2.5-7b-instruct

Adapter

(2)

this model