Instructions to use Nora-006/Learnia-finetuneRecipe-v1 with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use Nora-006/Learnia-finetuneRecipe-v1 with Transformers:

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

pipe = pipeline("text-generation", model="Nora-006/Learnia-finetuneRecipe-v1")
messages = [
    {"role": "user", "content": "Who are you?"},
]
pipe(messages)

# pip install -U transformers accelerate
# Load model directly
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("Nora-006/Learnia-finetuneRecipe-v1")
model = AutoModelForCausalLM.from_pretrained("Nora-006/Learnia-finetuneRecipe-v1", device_map="auto")
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=256)
print(tokenizer.decode(outputs[0][inputs["input_ids"].shape[-1]:]))

Notebooks
Google Colab
Kaggle
Local Apps Settings

vLLM

How to use Nora-006/Learnia-finetuneRecipe-v1 with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "Nora-006/Learnia-finetuneRecipe-v1"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "Nora-006/Learnia-finetuneRecipe-v1",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker

docker model run hf.co/Nora-006/Learnia-finetuneRecipe-v1

SGLang

How to use Nora-006/Learnia-finetuneRecipe-v1 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 "Nora-006/Learnia-finetuneRecipe-v1" \
    --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": "Nora-006/Learnia-finetuneRecipe-v1",
		"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 "Nora-006/Learnia-finetuneRecipe-v1" \
        --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": "Nora-006/Learnia-finetuneRecipe-v1",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Docker Model Runner
How to use Nora-006/Learnia-finetuneRecipe-v1 with Docker Model Runner:
```
docker model run hf.co/Nora-006/Learnia-finetuneRecipe-v1
```

🍳 Model Card : learnia-finetuneRecipe-v1

Main Developer : Nora-006 🛠️ Base Engine : Learnia-SLM (by Finisha, Independent Dev) DNA : 100% From Scratch Lignée / Anti-Smooth AI.

🧬 L'Origine

Ce modèle n'est pas une surcouche de modèles commerciaux. Il repose sur la base Learnia, pré-entraînée "from scratch" par Finisha. C'est une architecture pensée pour la densité et la structure, loin des biais polis des Big Tech.

Nora-006 a repris ce moteur pour lui injecter une âme culinaire via un affinage de précision.

📊 Training Logs

Époques : 6 (Le point de bascule où la théorie rencontre la pratique).
Dataset : 240 recettes "denses". Pas de remplissage, que de la texture.
Focus : Transformer la force syntaxique anglaise de Finisha en une créativité culinaire incarnée.

⚡ Caractère du Modèle

Syntaxe Vivante : Le modèle écrit avec des "cassures" naturelles. Il ne récite pas une base de données, il construit un goût.
Utilité Radicale : Optimisé pour être court, percutant et utile.
Refus du Lissage : Contrairement aux modèles génériques, learnia-finetuneRecipe-v1 peut avoir des aspérités. C'est ce qui le rend vivant.

🛠 Installation & Usage

Le modèle réagit mieux à des prompts qui ont de la "matière". Ne lui demandez pas poliment, imposez-lui un ingrédient, une émotion, ou une contrainte de feu.

"Dans un monde de modèles lisses, on choisit la texture." — Nora-006

Downloads last month: 19

Safetensors

Model size

51.6M params

Tensor type

F32

Model tree for Nora-006/Learnia-finetuneRecipe-v1

Base model

Finisha-F-scratch/Learnia

Finetuned

(12)

this model