File size: 8,590 Bytes
3d0e546 71cb7fd 3d0e546 71cb7fd 3d0e546 71cb7fd 3d0e546 cc444b0 71cb7fd cc444b0 71cb7fd cc444b0 71cb7fd cc444b0 71cb7fd 3d0e546 71cb7fd 3d0e546 71cb7fd 3d0e546 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 |
import spaces
import gradio as gr
from transformers import AutoTokenizer, AutoModelForCausalLM
import torch
import os
# Titre et description
Title = """# 🙋🏻♂️Welcome to 🌟Tonic's 🇫🇷🏆 Legml-1-Instruct : L'Excellence Française de l'Instruction-Tuning 🏆🇫🇷"""
description = """
[legml-v1.0-instruct](https://huggingface.co/legmlai/legml-v1.0-instruct) est un modèle LLM francophone, affiné sur près de 800 000 paires instruction/réponse en français (Open-Hermes-FR). Il excelle dans le dialogue, le raisonnement et la QA, avec une rigueur et une bienveillance typiquement françaises.
"""
training = """
## Détails d'entraînement
- **Base** : legmlai/legml-v1.0-base (Qwen-3 · 8B)
- **Corpus** : Open-Hermes-FR (799 875 paires, 100% français)
- **Méthode** : SFT multi-tour + DPO léger
- **Licence** : Apache-2.0
- **Sponsor GPU** : 24 × H100 80 Go (Nebius)
"""
# Suivez Legml
legml_info = """
## Suivez Legml :
Retrouvez la communauté legml.ai sur [https://legml.ai](https://legml.ai) et suivez les nouveautés sur [Hugging Face](https://huggingface.co/legmlai).
"""
# Join TeamTonic
teamtonic_info = """
## Join us:
🌟TeamTonic🌟 is always making cool demos! Join our active builder's 🛠️community 👻
[](https://discord.gg/qdfnvSPcqP)
On 🤗Huggingface: [MultiTransformer](https://huggingface.co/MultiTransformer)
On 🌐Github: [Tonic-AI](https://github.com/tonic-ai) & contribute to🌟 [Build Tonic](https://git.tonic-ai.com/contribute)
🤗Big thanks to Yuvi Sharma and all the folks at huggingface for the community grant 🤗
"""
# Initialisation du modèle et du tokenizer
model_id = "legmlai/legml-v1.0-instruct"
device = "cuda" if torch.cuda.is_available() else "cpu"
# Récupérer le token Hugging Face si besoin
hf_token = os.getenv('READTOKEN')
# Initialisation du tokenizer et du modèle
if hf_token:
tokenizer = AutoTokenizer.from_pretrained(model_id, token=hf_token)
model = AutoModelForCausalLM.from_pretrained(
model_id,
token=hf_token,
device_map="auto",
torch_dtype="auto"
)
else:
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
model_id,
device_map="auto",
torch_dtype="auto"
)
config_json = model.config.to_dict()
def format_model_info(config):
info = []
important_keys = [
"model_type", "vocab_size", "hidden_size", "num_attention_heads",
"num_hidden_layers", "max_position_embeddings", "torch_dtype"
]
for key in important_keys:
if key in config:
value = config[key]
if key == "torch_dtype" and hasattr(value, "name"):
value = value.name
info.append(f"**{key}:** {value}")
return "\n".join(info)
@spaces.GPU
def generate_response(system_prompt, user_prompt, temperature, max_new_tokens, top_p, repetition_penalty, top_k):
# Préparer le prompt au format chat LEGML
messages = [
{"role": "system", "content": system_prompt},
{"role": "user", "content": user_prompt}
]
prompt = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
inputs = tokenizer(prompt, return_tensors="pt").to(device)
outputs = model.generate(
**inputs,
max_new_tokens=max_new_tokens,
temperature=temperature,
top_p=top_p,
top_k=top_k,
repetition_penalty=repetition_penalty,
do_sample=True,
pad_token_id=tokenizer.eos_token_id
)
response = tokenizer.decode(outputs[0, inputs["input_ids"].shape[-1]:], skip_special_tokens=True)
return response.strip()
# Interface Gradio
with gr.Blocks() as demo:
gr.Markdown(Title)
with gr.Row():
gr.Markdown(description)
# Configuration dans un accordéon
with gr.Row():
with gr.Accordion("⚙️ Infos et Configuration", open=False):
with gr.Row():
with gr.Column():
with gr.Blocks():
gr.Markdown("### Détails d'entraînement")
gr.Markdown(training)
with gr.Column():
with gr.Blocks():
gr.Markdown("### Configuration du modèle")
gr.Markdown(format_model_info(config_json))
with gr.Column():
with gr.Blocks():
gr.Markdown("### Configuration du tokenizer")
gr.Markdown(f"""
**Taille du vocabulaire :** {tokenizer.vocab_size}
**Longueur max du modèle :** {tokenizer.model_max_length}
**Token de padding :** {tokenizer.pad_token}
**Token EOS :** {tokenizer.eos_token}
""")
# Legml & TeamTonic côte à côte
with gr.Row():
with gr.Column():
gr.Markdown(legml_info)
with gr.Column():
gr.Markdown(teamtonic_info)
with gr.Row():
with gr.Column():
system_prompt = gr.Textbox(
label="Message Système",
value="Tu es un assistant francophone rigoureux et bienveillant. Tu réponds toujours en français de façon précise et utile.",
lines=3
)
user_prompt = gr.Textbox(
label="🗣️Votre message",
placeholder="Entrez votre texte ici...",
lines=5
)
with gr.Accordion("🧪Paramètres avancés", open=False):
temperature = gr.Slider(
minimum=0.1,
maximum=2.0,
value=0.4,
step=0.05,
label="🌡️Température"
)
max_new_tokens = gr.Slider(
minimum=1,
maximum=2048,
value=512,
step=1,
label="💶Longueur maximale"
)
top_p = gr.Slider(
minimum=0.1,
maximum=1.0,
value=0.9,
step=0.05,
label="🏅Top-p"
)
top_k = gr.Slider(
minimum=1,
maximum=100,
value=50,
step=1,
label="🏆Top-k"
)
repetition_penalty = gr.Slider(
minimum=1.0,
maximum=2.0,
value=1.05,
step=0.05,
label="🦜Pénalité de répétition"
)
generate_btn = gr.Button("🏆 Générer")
with gr.Column():
output = gr.Textbox(
label="🏆 Legml-1-Instruct",
lines=10
)
gr.Examples(
examples=[
[
"Tu es un assistant francophone rigoureux et bienveillant.",
"Explique-moi la relativité restreinte en trois points.",
0.4, 512, 0.9, 1.05, 50
],
[
"Tu es un expert en histoire de France.",
"Quels sont les événements majeurs de la Révolution française?",
0.5, 768, 0.9, 1.1, 40
],
[
"Tu es un professeur de mathématiques.",
"Explique le théorème de Pythagore simplement.",
0.3, 256, 0.85, 1.05, 30
],
[
"Tu es un expert en gastronomie française.",
"Quels sont les plats traditionnels français les plus connus?",
0.4, 512, 0.9, 1.05, 50
],
[
"Tu es un poète français.",
"Écris un court poème sur Paris.",
0.7, 256, 0.95, 1.2, 60
]
],
inputs=[system_prompt, user_prompt, temperature, max_new_tokens, top_p, repetition_penalty, top_k],
outputs=output,
label="Exemples"
)
generate_btn.click(
fn=generate_response,
inputs=[system_prompt, user_prompt, temperature, max_new_tokens, top_p, repetition_penalty, top_k],
outputs=output
)
if __name__ == "__main__":
demo.launch(ssr_mode=False, mcp_server=True) |