Instructions to use Finisha-F-scratch/KLA-SLM-CODING with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use Finisha-F-scratch/KLA-SLM-CODING with Transformers:

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

pipe = pipeline("text-generation", model="Finisha-F-scratch/KLA-SLM-CODING")

# Load model directly
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("Finisha-F-scratch/KLA-SLM-CODING")
model = AutoModelForCausalLM.from_pretrained("Finisha-F-scratch/KLA-SLM-CODING", device_map="auto")

Notebooks
Google Colab
Kaggle
Local Apps Settings

vLLM

How to use Finisha-F-scratch/KLA-SLM-CODING with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "Finisha-F-scratch/KLA-SLM-CODING"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "Finisha-F-scratch/KLA-SLM-CODING",
		"prompt": "Once upon a time,",
		"max_tokens": 512,
		"temperature": 0.5
	}'

Use Docker

docker model run hf.co/Finisha-F-scratch/KLA-SLM-CODING

SGLang

How to use Finisha-F-scratch/KLA-SLM-CODING 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 "Finisha-F-scratch/KLA-SLM-CODING" \
    --host 0.0.0.0 \
    --port 30000
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:30000/v1/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "Finisha-F-scratch/KLA-SLM-CODING",
		"prompt": "Once upon a time,",
		"max_tokens": 512,
		"temperature": 0.5
	}'

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 "Finisha-F-scratch/KLA-SLM-CODING" \
        --host 0.0.0.0 \
        --port 30000
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:30000/v1/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "Finisha-F-scratch/KLA-SLM-CODING",
		"prompt": "Once upon a time,",
		"max_tokens": 512,
		"temperature": 0.5
	}'

Docker Model Runner
How to use Finisha-F-scratch/KLA-SLM-CODING with Docker Model Runner:
```
docker model run hf.co/Finisha-F-scratch/KLA-SLM-CODING
```

KLA-SLM-CODING / README.md

Clemylia

Update README.md

a8a1648 verified 7 months ago

preview code

Raw

History Blame Contribute Delete

2.08 kB

metadata

library_name: transformers
tags:
  - Code
model-index:
  - name: KLA-SLM-coding
    results: []
license: other
language:
  - en
pipeline_tag: text-generation

💻 Documentation : KLA-SLM-CODING 💻

KLA-SLM-CODING est un Small Language Model (SLM) de la lignée Finisha-LLM. Contrairement aux modèles de masse, il a été extrait du vide et nourri exclusivement de code pur. Il ne simule pas la programmation, il génère la structure.

🏗️ Architecture & Forge

Modèle de Base : Type Gemma (Optimisé pour l'inférence de tokens techniques).
Méthode : 100% Pre-trained From Scratch.
Dataset : Corpus de code dense (Zéro texte conversationnel parasite).
Vitesse : Ultra-léger, conçu pour la complétion en temps réel dans les environnements de dev.

🛠️ Capacités de Complétion

Le modèle a été entraîné pour anticiper la logique du développeur sans les biais du langage naturel :

Prédiction de Blocs : Complétion de fonctions, boucles et structures conditionnelles.
Syntaxe Native : Maîtrise des indentations et des séparateurs sans "hallucinations" textuelles.
Logique de Flux : Capable de suivre la trace des variables à travers le dataset de code.

🧬 La Signature Finisha (Vosia-Code)

Comme tous les modèles de la forge, KLA-SLM-CODING possède sa propre identité :

Métagrammaire du Code : Il privilégie l'efficacité brute. S'il y a une répétition structurelle, c'est pour renforcer la stabilité du script.
Zéro Lissage : Le code est généré tel qu'il a été appris dans les datasets denses, sans politesse ni commentaires inutiles.

🚀 Usage & Environnement

IDE : Parfaitement adapté aux cellules Google Colab pour un affichage propre.
Inférence : Conçu pour tourner sur des architectures mobiles ou locales (Android/Termux).
Complétion : Réagit instantanément aux premiers tokens de code pour proposer la suite logique.