from transformers import AutoTokenizer, AutoModelForCausalLM
import torch

model_id = "oshkorinova/MamayLM-Gemma-3-12B-IT-v1.0-FP8-Static-Nadiia"

tokenizer = AutoTokenizer.from_pretrained(
    model_id,
    trust_remote_code=True,
)

model = AutoModelForCausalLM.from_pretrained(
    model_id,
    device_map="auto",
    trust_remote_code=True,
    torch_dtype="auto",
)

messages = [
    {"role": "user", "content": "Поясни простими словами, що таке квантізація моделі."}
]

inputs = tokenizer.apply_chat_template(
    messages,
    tokenize=True,
    add_generation_prompt=True,
    return_tensors="pt",
).to(model.device)

with torch.no_grad():
    outputs = model.generate(
        inputs,
        max_new_tokens=200,
        do_sample=True,
        temperature=0.7,
    )

print(tokenizer.decode(outputs[0], skip_special_tokens=True))

vllm serve oshkorinova/MamayLM-Gemma-3-12B-IT-v1.0-FP8-Static-Nadiia \
  --trust-remote-code \
  --dtype auto \
  --max-model-len 8192 \
  --limit-mm-per-prompt '{"image": 0}'

curl http://localhost:8000/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "oshkorinova/MamayLM-Gemma-3-12B-IT-v1.0-FP8-Static-Nadiia",
    "messages": [
      {"role": "user", "content": "Напиши коротке пояснення, що таке FP8-квантізація."}
    ],
    "temperature": 0.7,
    "max_tokens": 200
  }'