Model bazuje na Gemma 3 (4B) i został dostrojony do odpowiadania na pytania dotyczące Kodeksu Cywilnego. Wykorzystano dane z artykułów Kodeksu Cywilnego wraz z interpretacjami i przykładami zastosowania.

Przykładowe użycie

python

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

# Załaduj model i tokenizer
model_name = "TWOJA_NAZWA_UŻYTKOWNIKA/gemma-civil-code-pl"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype=torch.float16,
    device_map="auto",
)

# Przykładowe pytanie
prompt = "Artykuł 583 Kodeksu cywilnego stanowi, że"

inputs = tokenizer(prompt, return_tensors="pt").to(model.device)
outputs = model.generate(
    **inputs,
    max_new_tokens=512,
    do_sample=True,
    temperature=0.7,
    top_p=0.9,
)

# Wyodrębnij odpowiedź
response = tokenizer.decode(outputs[0], skip_special_tokens=True)
print(response)

keeeeesz/gemma-civil-code-pl_20250416

gemma-civil-code-pl

Opis modelu

Przykładowe użycie

keeeeesz/
gemma-civil-code-pl_20250416