Views
No views yet
transformers هاگینگ فیس استفاده کنید. در زیر یک نمونه کد برای بارگذاری و استفاده از مدل آورده شده است:1from transformers import AutoModelForCausalLM, AutoTokenizer
2
3tokenizer = AutoTokenizer.from_pretrained("fibonacciai/fibonacci-2-14b")
4model = AutoModelForCausalLM.from_pretrained("fibonacciai/fibonacci-2-14b")
5
6input_text = "سلام! چطور میتوانم به شما کمک کنم؟"
7inputs = tokenizer(input_text, return_tensors="pt")
8outputs = model.generate(**inputs)
9response = tokenizer.decode(outputs[0], skip_special_tokens=True)
10
11print(response)
12منابع
13صفحه مدل در هاگینگ فیس
14
15مستندات هاگینگ فیس
16
17مشارکت
18ما از مشارکتهای شما استقبال میکنیم! اگر پیشنهادی برای بهبود مدل دارید یا باگهایی را مشاهده کردهاید، لطفاً از طریق Issues با ما در میان بگذارید.
19
20مجوز
21این مدل تحت مجوز MIT منتشر شده است. برای اطلاعات بیشتر، فایل LICENSE را مشاهده کنید.
22
23
24
25
26# Fibonacci-2-14b Model
27
28
29
30## Introduction
31
32The **Fibonacci-2-14b** is a large language model (LLM) based on the Gemma2 architecture, designed with 14 billion parameters. This model is optimized for natural language processing (NLP) tasks and textual conversations.
33
34## Features
35
36- **Architecture:** Phi 4
37- **Number of Parameters:** 14 billion
38- **Formats:** GGUF supporting 4-bit (Q4_K_M), 5-bit (Q5_K_M), 8-bit (Q8_0), and 16-bit (F16)
39- **License:** MIT
40
41## Applications
42
43- **Text Generation:** Creating creative and diverse texts
44- **Question Answering:** Providing accurate responses to user inquiries
45- **Machine Translation:** Translating texts between different languages
46- **Sentiment Analysis:** Identifying sentiments present in texts
47
48## Usage
49
50To use this model, you can utilize various libraries such as Hugging Face's `transformers`. Below is a sample code to load and use the model:
51
52```python
53from transformers import AutoModelForCausalLM, AutoTokenizer
54
55tokenizer = AutoTokenizer.from_pretrained("fibonacciai/fibonacci-2-14b")
56model = AutoModelForCausalLM.from_pretrained("fibonacciai/fibonacci-2-14b")
57
58input_text = "Hello! How can I assist you today?"
59inputs = tokenizer(input_text, return_tensors="pt")
60outputs = model.generate(**inputs)
61response = tokenizer.decode(outputs[0], skip_special_tokens=True)
62
63print(response)
64Resources
65Model Page on Hugging Face
66
67Hugging Face Documentation
68
69Contribution
70We welcome your contributions! If you have suggestions for improving the model or have identified any bugs, please share them with us through the Issues section.
71
72License
73This model is released under the MIT License. For more information, see the LICENSE file.
74
75
76
77
78# نموذج Fibonacci-2-14b
79
80
81
82## المقدمة
83
84نموذج **Fibonacci-2-14b** هو نموذج لغة كبير (LLM) يعتمد على بنية Gemma2، تم تصميمه بـ 14 مليار معلمة. هذا النموذج مُحسّن لمهام معالجة اللغة الطبيعية (NLP) والمحادثات النصية.
85
86## الميزات
87
88- **البنية:** Gemma2
89- **عدد المعلمات:** 9.24 مليار
90- **التنسيقات:** GGUF تدعم 4-بت (Q4_K_M)، 5-بت (Q5_K_M)، 8-بت (Q8_0)، و16-بت (F16)
91- **الترخيص:** MIT
92
93## التطبيقات
94
95- **توليد النصوص:** إنشاء نصوص إبداعية ومتنوعة
96- **الإجابة على الأسئلة:** تقديم إجابات دقيقة لاستفسارات المستخدمين
97- **الترجمة الآلية:** ترجمة النصوص بين لغات مختلفة
98- **تحليل المشاعر:** تحديد المشاعر الموجودة في النصوص
99
100## كيفية الاستخدام
101
102لاستخدام هذا النموذج، يمكنك الاستفادة من مكتبات مختلفة مثل `transformers` من Hugging Face. فيما يلي مثال لتحميل واستخدام النموذج:
103
104```python
105from transformers import AutoModelForCausalLM, AutoTokenizer
106
107tokenizer = AutoTokenizer.from_pretrained("fibonacciai/fibonacci-2-14b")
108model = AutoModelForCausalLM.from_pretrained("fibonacciai/fibonacci-2-14b")
109
110input_text = "مرحبًا! كيف يمكنني مساعدتك اليوم؟"
111inputs = tokenizer(input_text, return_tensors="pt")
112outputs
113::contentReference[oaicite:0]{index=0}