Instructions to use fibonacciai/fibonacci-1-EN-8b-chat.P1_5 with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use fibonacciai/fibonacci-1-EN-8b-chat.P1_5 with llama-cpp-python:

# !pip install llama-cpp-python

from llama_cpp import Llama

llm = Llama.from_pretrained(
	repo_id="fibonacciai/fibonacci-1-EN-8b-chat.P1_5",
	filename="EN-8b-chat.P1_5 .Q8_0.gguf",
)

output = llm(
	"Once upon a time,",
	max_tokens=512,
	echo=True
)
print(output)

Notebooks
Google Colab
Kaggle
Local Apps

llama.cpp

How to use fibonacciai/fibonacci-1-EN-8b-chat.P1_5 with llama.cpp:

Install from brew

brew install llama.cpp
# Start a local OpenAI-compatible server with a web UI:
llama-server -hf fibonacciai/fibonacci-1-EN-8b-chat.P1_5:Q4_K_M
# Run inference directly in the terminal:
llama-cli -hf fibonacciai/fibonacci-1-EN-8b-chat.P1_5:Q4_K_M

Install from WinGet (Windows)

winget install llama.cpp
# Start a local OpenAI-compatible server with a web UI:
llama-server -hf fibonacciai/fibonacci-1-EN-8b-chat.P1_5:Q4_K_M
# Run inference directly in the terminal:
llama-cli -hf fibonacciai/fibonacci-1-EN-8b-chat.P1_5:Q4_K_M

Use pre-built binary

# Download pre-built binary from:
# https://github.com/ggerganov/llama.cpp/releases
# Start a local OpenAI-compatible server with a web UI:
./llama-server -hf fibonacciai/fibonacci-1-EN-8b-chat.P1_5:Q4_K_M
# Run inference directly in the terminal:
./llama-cli -hf fibonacciai/fibonacci-1-EN-8b-chat.P1_5:Q4_K_M

Build from source code

git clone https://github.com/ggerganov/llama.cpp.git
cd llama.cpp
cmake -B build
cmake --build build -j --target llama-server llama-cli
# Start a local OpenAI-compatible server with a web UI:
./build/bin/llama-server -hf fibonacciai/fibonacci-1-EN-8b-chat.P1_5:Q4_K_M
# Run inference directly in the terminal:
./build/bin/llama-cli -hf fibonacciai/fibonacci-1-EN-8b-chat.P1_5:Q4_K_M

Use Docker

docker model run hf.co/fibonacciai/fibonacci-1-EN-8b-chat.P1_5:Q4_K_M

LM Studio
Jan

vLLM

How to use fibonacciai/fibonacci-1-EN-8b-chat.P1_5 with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "fibonacciai/fibonacci-1-EN-8b-chat.P1_5"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "fibonacciai/fibonacci-1-EN-8b-chat.P1_5",
		"prompt": "Once upon a time,",
		"max_tokens": 512,
		"temperature": 0.5
	}'

Use Docker

docker model run hf.co/fibonacciai/fibonacci-1-EN-8b-chat.P1_5:Q4_K_M

Ollama
How to use fibonacciai/fibonacci-1-EN-8b-chat.P1_5 with Ollama:
```
ollama run hf.co/fibonacciai/fibonacci-1-EN-8b-chat.P1_5:Q4_K_M
```

Unsloth Studio new

How to use fibonacciai/fibonacci-1-EN-8b-chat.P1_5 with Unsloth Studio:

Install Unsloth Studio (macOS, Linux, WSL)

curl -fsSL https://unsloth.ai/install.sh | sh
# Run unsloth studio
unsloth studio -H 0.0.0.0 -p 8888
# Then open http://localhost:8888 in your browser
# Search for fibonacciai/fibonacci-1-EN-8b-chat.P1_5 to start chatting

Install Unsloth Studio (Windows)

irm https://unsloth.ai/install.ps1 | iex
# Run unsloth studio
unsloth studio -H 0.0.0.0 -p 8888
# Then open http://localhost:8888 in your browser
# Search for fibonacciai/fibonacci-1-EN-8b-chat.P1_5 to start chatting

Using HuggingFace Spaces for Unsloth

# No setup required
# Open https://huggingface.co/spaces/unsloth/studio in your browser
# Search for fibonacciai/fibonacci-1-EN-8b-chat.P1_5 to start chatting

Docker Model Runner
How to use fibonacciai/fibonacci-1-EN-8b-chat.P1_5 with Docker Model Runner:
```
docker model run hf.co/fibonacciai/fibonacci-1-EN-8b-chat.P1_5:Q4_K_M
```

Lemonade

How to use fibonacciai/fibonacci-1-EN-8b-chat.P1_5 with Lemonade:

Pull the model

# Download Lemonade from https://lemonade-server.ai/
lemonade pull fibonacciai/fibonacci-1-EN-8b-chat.P1_5:Q4_K_M

Run and chat with the model

lemonade run user.fibonacci-1-EN-8b-chat.P1_5-Q4_K_M

List all available models

lemonade list

Fibonacci-1-EN-8b-Chat.P1_5 Model

Introduction

The Fibonacci-1-EN-8b-Chat.P1_5 is a large language model (LLM) based on the LLaMA architecture, designed with 8.03 billion parameters. This model is optimized for natural language processing (NLP) tasks and textual conversations.

Features

Architecture: LLaMA
Number of Parameters: 8.03 billion
Formats: GGUF supporting 4-bit (Q4_K_M), 5-bit (Q5_K_M), 8-bit (Q8_0), and 16-bit (F16)
License: MIT

Applications

Text Generation: Creating creative and diverse texts
Question Answering: Providing accurate responses to user inquiries
Machine Translation: Translating texts between different languages
Sentiment Analysis: Identifying sentiments present in texts

Usage

To use this model, you can utilize various libraries such as Hugging Face's transformers. Below is a sample code to load and use the model:

from transformers import AutoModelForCausalLM, AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained("fibonacciai/fibonacci-1-EN-8b-chat.P1_5")
model = AutoModelForCausalLM.from_pretrained("fibonacciai/fibonacci-1-EN-8b-chat.P1_5")

input_text = "Hello! How can I assist you today?"
inputs = tokenizer(input_text, return_tensors="pt")
outputs = model.generate(**inputs)
response = tokenizer.decode(outputs[0], skip_special_tokens=True)

print(response)



**عربی:**

```markdown
# نموذج Fibonacci-1-EN-8b-Chat.P1_5

![شعار النموذج](https://huggingface.co/front/assets/huggingface_logo.svg)

## المقدمة

نموذج **Fibonacci-1-EN-8b-Chat.P1_5** هو نموذج لغة كبير (LLM) يعتمد على بنية LLaMA، تم تصميمه بـ 8.03 مليار معلمة. هذا النموذج مُحسّن لمهام معالجة اللغة الطبيعية (NLP) والمحادثات النصية.

## الميزات

- **البنية:** LLaMA
- **عدد المعلمات:** 8.03 مليار
- **التنسيقات:** GGUF تدعم 4-بت (Q4_K_M)، 5-بت (Q5_K_M)، 8-بت (Q8_0)، و16-بت (F16)
- **الترخيص:** MIT

## التطبيقات

- **توليد النصوص:** إنشاء نصوص إبداعية ومتنوعة
- **الإجابة على الأسئلة:** تقديم إجابات دقيقة لاستفسارات المستخدمين
- **الترجمة الآلية:** ترجمة النصوص بين لغات مختلفة
- **تحليل المشاعر:** تحديد المشاعر الموجودة في النصوص

## كيفية الاستخدام

لاستخدام هذا النموذج، يمكنك الاستفادة من مكتبات مختلفة مثل `transformers` من Hugging Face. فيما يلي مثال لتحميل واستخدام النموذج:

```python
from transformers import AutoModelForCausalLM, AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained("fibonacciai/fibonacci-1-EN-8b-chat.P1_5")
model = AutoModelForCausalLM.from_pretrained("fibonacciai/fibonacci-1-EN-8b-chat.P1_5")

input_text = "مرحبًا! كيف يمكنني مساعدتك اليوم؟"
inputs = tokenizer(input_text, return_tensors="pt")
outputs = model.generate(**inputs)
response = tokenizer.decode(outputs[0], skip_special_tokens=True)

print(response)



# مدل Fibonacci-1-EN-8b-Chat.P1_5

![لوگوی مدل](https://huggingface.co/front/assets/huggingface_logo.svg)

## معرفی

مدل **Fibonacci-1-EN-8b-Chat.P1_5** یک مدل زبانی بزرگ (LLM) مبتنی بر معماری LLaMA است که با ۸٫۰۳ میلیارد پارامتر طراحی شده است. این مدل برای انجام وظایف مرتبط با پردازش زبان طبیعی (NLP) و مکالمات متنی بهینه‌سازی شده است.

## ویژگی‌ها

- **معماری:** LLaMA
- **تعداد پارامترها:** ۸٫۰۳ میلیارد
- **فرمت‌ها:** GGUF با پشتیبانی از 4-bit (Q4_K_M)، 5-bit (Q5_K_M)، 8-bit (Q8_0)، و 16-bit (F16)
- **مجوز استفاده:** MIT

## کاربردها

- **تولید متن:** ایجاد متون خلاقانه و متنوع
- **پاسخ به سؤالات:** ارائه پاسخ‌های دقیق به پرسش‌های کاربران
- **ترجمه ماشینی:** ترجمه متون بین زبان‌های مختلف
- **تحلیل احساسات:** شناسایی احساسات موجود در متون

## نحوه استفاده

برای استفاده از این مدل، می‌توانید از کتابخانه‌های مختلفی مانند `transformers` هاگینگ فیس استفاده کنید. در زیر یک نمونه کد برای بارگذاری و استفاده از مدل آورده شده است:

```python
from transformers import AutoModelForCausalLM, AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained("fibonacciai/fibonacci-1-EN-8b-chat.P1_5")
model = AutoModelForCausalLM.from_pretrained("fibonacciai/fibonacci-1-EN-8b-chat.P1_5")

input_text = "سلام! چطور می‌توانم به شما کمک کنم؟"
inputs = tokenizer(input_text, return_tensors="pt")
outputs = model.generate(**inputs)
response = tokenizer.decode(outputs[0], skip_special_tokens=True)

print(response)