Instructions to use genericgod/GerMerge-em-leo-mistral-v0.2-SLERP with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use genericgod/GerMerge-em-leo-mistral-v0.2-SLERP with Transformers:

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

pipe = pipeline("text-generation", model="genericgod/GerMerge-em-leo-mistral-v0.2-SLERP")
messages = [
    {"role": "user", "content": "Who are you?"},
]
pipe(messages)

# Load model directly
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("genericgod/GerMerge-em-leo-mistral-v0.2-SLERP")
model = AutoModelForCausalLM.from_pretrained("genericgod/GerMerge-em-leo-mistral-v0.2-SLERP")
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 genericgod/GerMerge-em-leo-mistral-v0.2-SLERP with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "genericgod/GerMerge-em-leo-mistral-v0.2-SLERP"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "genericgod/GerMerge-em-leo-mistral-v0.2-SLERP",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker

docker model run hf.co/genericgod/GerMerge-em-leo-mistral-v0.2-SLERP

SGLang

How to use genericgod/GerMerge-em-leo-mistral-v0.2-SLERP 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 "genericgod/GerMerge-em-leo-mistral-v0.2-SLERP" \
    --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": "genericgod/GerMerge-em-leo-mistral-v0.2-SLERP",
		"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 "genericgod/GerMerge-em-leo-mistral-v0.2-SLERP" \
        --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": "genericgod/GerMerge-em-leo-mistral-v0.2-SLERP",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Docker Model Runner
How to use genericgod/GerMerge-em-leo-mistral-v0.2-SLERP with Docker Model Runner:
```
docker model run hf.co/genericgod/GerMerge-em-leo-mistral-v0.2-SLERP
```

GGUF here

I made this merge to add better German capabilities to the new Mistral-7B-Instruct-v0.2 model

Disclaimer: I am a complete noob. I dont know what I am doing, just playing around with the parameters.

Description

This repo contains fp16 files of the following two models merged with SLERP.

Models used

mistralai/Mistral-7B-Instruct-v0.2 (base model)
jphme/em_german_leo_mistral

Thanks to all people involved into making these Models!

Prompt template: Mistral

[INST] <instruction> [/INST]

Examples

Prompt: [INST]Ich habe heute 4 Äpfel. Gestern aß ich 3 Äpfel. Wie viele Äpfel habe ich heute?[/INST]

Output: Heute hast du 4 Äpfel. Die Äpfel, die du gestern gegessen hast, ändern nichts an der Anzahl der Äpfel, die du heute hast. Daher hast du immer noch 4 Äpfel.

Prompt: [INST]Welche Möglichkeiten gibt es im Alltag möglichst umweltbewusst zu Leben? Nenne mir 5 Punkte.[/INST]

Output: 1. Reduziere den Energieverbrauch: Du kannst umweltbewusst leben, indem du Energie effizienter nutzt und versuchst, deinen CO2-Fußabdruck zu minimieren. Dazu gehört zum Beispiel die Nutzung von LED-Lampen, das Ausschalten von Geräten bei Nichtgebrauch, die Regulierung der Heizungstemperatur und die Wäsche bei niedrigen Temperaturen zu waschen.
2. Nutze nachhaltige Verkehrsmittel: Umweltfreundlich ist die Nutzung von öffentlichen Verkehrsmitteln, dem Fahrrad oder zu Fuß zu gehen oder mit dem E-Auto zu fahren. Wenn das nicht möglich ist, kannst du CO2-neutral mit dem Zug oder dem Bus fahren.
3. Kaufe saisonale und regionale Produkte: Umweltbewusstes Einkaufen bedeutet, saisonale und regionale Produkte zu kaufen, um die Transportwege zu verkürzen und die Unterstützung lokaler Landwirte und Hersteller zu fördern. Zudem solltest du so wenig Verpackungsmaterialien wie möglich verwenden und Plastiktüten vermeiden.
4. Vermeide Einwegprodukte: Versuche Einwegprodukte zu vermeiden und stattdessen auf Mehrwegprodukte umzusteigen. Nutze wiederverwendbare Taschen, Flaschen und Behälter und kaufe Lebensmittel in großen Mengen, um Verpackungsmüll zu reduzieren.
5. Trenne und recyceln richtig: Richtiges Trennen und Recyceln von Müll ist ein wichtiger Beitrag zum Umweltschutz. Informiere dich über die richtigen Mülltrennsysteme in deiner Gemeinde und trenne deinen Abfall entsprechend. Nutze außerdem Produkte mit möglichst wenig Verpackungsmaterial und kaufe Recyclingprodukte, um die Wiederverwertung von Rohstoffen zu fördern.

Mergekit config

slices:
  - sources:
      - model: mistralai/Mistral-7B-Instruct-v0.2
        layer_range: [0, 32]
      - model: jphme/em_german_leo_mistral
        layer_range: [0, 32]
merge_method: slerp
base_model: mistralai/Mistral-7B-Instruct-v0.2
parameters:
  t:
    - filter: self_attn
      value: [0, 0.1, 0.6, 0.8, 1]
    - filter: mlp
      value: [0, 0.1, 0.3, 0.6, 0.9]
    - value: 0.8
dtype: float16

Downloads last month: 8

Safetensors

Model size

7B params

Tensor type

F16