Instructions to use joaoviegas11/my_lora_adapter with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use joaoviegas11/my_lora_adapter with PEFT:

from peft import PeftModel
from transformers import AutoModelForCausalLM

base_model = AutoModelForCausalLM.from_pretrained("gpt2")
model = PeftModel.from_pretrained(base_model, "joaoviegas11/my_lora_adapter")

Transformers

How to use joaoviegas11/my_lora_adapter with Transformers:

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

pipe = pipeline("text-generation", model="joaoviegas11/my_lora_adapter")

# Load model directly
from transformers import AutoModel
model = AutoModel.from_pretrained("joaoviegas11/my_lora_adapter", dtype="auto")

Notebooks
Google Colab
Kaggle
Local Apps Settings

vLLM

How to use joaoviegas11/my_lora_adapter with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "joaoviegas11/my_lora_adapter"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "joaoviegas11/my_lora_adapter",
		"prompt": "Once upon a time,",
		"max_tokens": 512,
		"temperature": 0.5
	}'

Use Docker

docker model run hf.co/joaoviegas11/my_lora_adapter

SGLang

How to use joaoviegas11/my_lora_adapter 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 "joaoviegas11/my_lora_adapter" \
    --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": "joaoviegas11/my_lora_adapter",
		"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 "joaoviegas11/my_lora_adapter" \
        --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": "joaoviegas11/my_lora_adapter",
		"prompt": "Once upon a time,",
		"max_tokens": 512,
		"temperature": 0.5
	}'

Docker Model Runner
How to use joaoviegas11/my_lora_adapter with Docker Model Runner:
```
docker model run hf.co/joaoviegas11/my_lora_adapter
```

GPT-2 LoRA Summarizer - Week 08 Lab

Este repositório contém um adaptador LoRA (Low-Rank Adaptation) para o modelo GPT-2, afinado para a tarefa de sumarização de diálogos utilizando o dataset SAMSum. Este trabalho foi realizado no âmbito da unidade curricular de Complementos de Machine Learning (2025/2026).

Model Details

Model Description

O modelo utiliza uma abordagem de Parameter-Efficient Fine-Tuning (PEFT). Em vez de atualizar todos os pesos do GPT-2, foram treinadas apenas matrizes de baixo rank injetadas nas camadas de atenção (c_attn), o que representa apenas 0.23% dos parâmetros totais do modelo original.

Developed by: [O Teu Nome Aqui]
Model type: PEFT (LoRA) adapter for Causal Language Model
License: MIT
Finetuned from model: GPT-2 (base version)

Model Sources

Dataset: SAMSum Corpus

Direct Use

Este modelo destina-se a gerar resumos concisos (em terceira pessoa) a partir de diálogos ou conversas de chat.

Como Começar

Para usar este adaptador, utiliza o script lora_summarizer_submission.py fornecido no laboratório. O modelo base (gpt2) deve ser carregado primeiro, seguido da aplicação deste adaptador através da biblioteca peft.

Training Details

Training Data

O modelo foi treinado no dataset SAMSum, que consiste em cerca de 16 mil conversas curtas com resumos anotados por especialistas.

Training Procedure

Epochs: 1
Batch Size: 4
Learning Rate: 2e-4 (Linear decay)
Rank (r): 8
Alpha: 32
Target Modules: c_attn

Results

O treino demonstrou uma convergência sólida:

Loss Inicial: ~8.38
Loss Final (Train): ~0.91
Validation Loss: ~0.95

Technical Specifications

Framework versions

PEFT 0.19.1
Transformers (Latest)
PyTorch (CUDA enabled)

Downloads last month: 2

Model tree for joaoviegas11/my_lora_adapter

Base model

openai-community/gpt2

Adapter

(1706)

this model

joaoviegas11
/

my_lora_adapter