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

Libraries

How to use curiositytech/MARS with Transformers:

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

pipe = pipeline("text-generation", model="curiositytech/MARS")
messages = [
    {"role": "user", "content": "Who are you?"},
]
pipe(messages)

# Load model directly
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("curiositytech/MARS")
model = AutoModelForCausalLM.from_pretrained("curiositytech/MARS")
messages = [
    {"role": "user", "content": "Who are you?"},
]
inputs = tokenizer.apply_chat_template(
	messages,
	add_generation_prompt=True,
	tokenize=True,
	return_dict=True,
	return_tensors="pt",
).to(model.device)

outputs = model.generate(**inputs, max_new_tokens=40)
print(tokenizer.decode(outputs[0][inputs["input_ids"].shape[-1]:]))

Notebooks
Google Colab
Kaggle
Local Apps

vLLM

How to use curiositytech/MARS with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "curiositytech/MARS"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "curiositytech/MARS",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker

docker model run hf.co/curiositytech/MARS

SGLang

How to use curiositytech/MARS 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 "curiositytech/MARS" \
    --host 0.0.0.0 \
    --port 30000
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:30000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "curiositytech/MARS",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

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 "curiositytech/MARS" \
        --host 0.0.0.0 \
        --port 30000
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:30000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "curiositytech/MARS",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

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

Veri Seti Zenginleştirme

by CanGoymen - opened Jul 9, 2024

Discussion

CanGoymen

Curiosity Technology org Jul 9, 2024

Türkçe dilinde en iyi modeli elde edebilmek ve modeli eğitmek için uygun veri setleri toplama sürecimiz devam ediyor. Bu süreçte, etik açıdan uygun kullanılabilir kaliteli veri setlerini burada paylaşmayı düşünüyoruz. Aşağıda ihtiyaç duyduğumuz veri setleri ve özelliklerini listeledik. Bu konuda Yardımlarınız ve önerileriniz için şimdiden teşekkür ederiz.

Gereksinimler:

Diyalog Verileri:

Kullanıcılar arasında geçen doğal diyaloglar.
Çeşitli konularda, farklı yaş ve meslek gruplarından insanların konuşmaları.

Metin Verileri:

Farklı konularda yazılmış makaleler, blog yazıları, haberler vb.
Akademik makaleler ve tezler.

Sosyal Medya Verileri:

Twitter, Facebook, Instagram gibi platformlardan elde edilecek anonimleştirilmiş ve etik kurallara uygun veriler.
Yorumlar, paylaşımlar ve etkileşimler.

Edebi Eserler:

Telif hakları uygun kullanılabilir Türk edebiyatından romanlar, öyküler, şiirler vb.
Telif hakkı sorunu olmayan klasik eserler.

Günlük Konuşma Verileri:

Günlük hayatta kullanılan dil ve ifadeler.
Çeşitli bölgelerden ve lehçelerden örnekler.

Veri Toplama ve Hazırlama:

Veri Toplama:

Yukarıda belirtilen türlerde veri setlerine sahip olan veya bu tür verileri nerede bulabileceğim konusunda bilgi sahibi olan arkadaşlar, paylaşımda bulunabilirler. Özellikle açık kaynaklı ve kamuya açık veri setlerine yönlendirmeler çok faydalı olacaktır.

Veri Hazırlama:

Veri temizleme, anonimleştirme, etiketleme ve formatlama konularında deneyimi olan kişiler verileri ön işleme tabi tutarak paylaşabilirler.

Upload images, audio, and videos by dragging in the text input, pasting, or clicking here.

Tap or paste here to upload images

· Sign up or log in to comment