Instructions to use Easy-Systems/easy-ko-Llama3-8b-Instruct-v1 with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use Easy-Systems/easy-ko-Llama3-8b-Instruct-v1 with Transformers:

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

pipe = pipeline("text-generation", model="Easy-Systems/easy-ko-Llama3-8b-Instruct-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("Easy-Systems/easy-ko-Llama3-8b-Instruct-v1")
model = AutoModelForCausalLM.from_pretrained("Easy-Systems/easy-ko-Llama3-8b-Instruct-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]:]))

Inference
Notebooks
Google Colab
Kaggle
Local Apps Settings

vLLM

How to use Easy-Systems/easy-ko-Llama3-8b-Instruct-v1 with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "Easy-Systems/easy-ko-Llama3-8b-Instruct-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": "Easy-Systems/easy-ko-Llama3-8b-Instruct-v1",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker

docker model run hf.co/Easy-Systems/easy-ko-Llama3-8b-Instruct-v1

SGLang

How to use Easy-Systems/easy-ko-Llama3-8b-Instruct-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 "Easy-Systems/easy-ko-Llama3-8b-Instruct-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": "Easy-Systems/easy-ko-Llama3-8b-Instruct-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 "Easy-Systems/easy-ko-Llama3-8b-Instruct-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": "Easy-Systems/easy-ko-Llama3-8b-Instruct-v1",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Docker Model Runner
How to use Easy-Systems/easy-ko-Llama3-8b-Instruct-v1 with Docker Model Runner:
```
docker model run hf.co/Easy-Systems/easy-ko-Llama3-8b-Instruct-v1
```
Browse Quantizations to use this model in llama.cpp, Ollama, LM Studio, or any compatible app.

Easy-Systems/easy-ko-Llama3-8b-Instruct-v1

DALL-E로 생성한 이미지입니다.

(주)이지시스템의 첫번째 LLM 모델인 easy-ko-Llama3-8b-Instruct-v1은 영어 기반 모델인 meta-llama/Meta-Llama-3-8B-Instruct를 베이스로 하여 한국어 파인튜닝 된 모델입니다.
LLM 모델은 추후 지속적으로 업데이트 될 예정 입니다.

Data

AI hub (https://www.aihub.or.kr/) 데이터를 다양한 Task (QA, Summary, Translate 등)로 가공하여 파인튜닝에 사용.
사내 자체 가공한 데이터를 활용하여 파인튜닝에 사용.

How to use

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "Easy-Systems/easy-ko-Llama3-8b-Instruct-v1"

model = AutoModelForCausalLM.from_pretrained(model_id,                                            
                                             attn_implementation="flash_attention_2",
                                             torch_dtype=torch.bfloat16,
                                             device_map="auto")

tokenizer = AutoTokenizer.from_pretrained(model_id, add_special_tokens=True)

prompt="리눅스 프로세스를 강제로 종료하는 방법은?"
messages = [  
    {"role": "system", "content": "당신은 친절한 AI chatbot 입니다. 요청에 대해서 step-by-step 으로 간결하게 한국어(Korean)로 답변해주세요."},
    {"role": "user", "content": f"\n\n### 명령어: {prompt}\n\n### 응답:"}   
]

input_ids = tokenizer.apply_chat_template(
    messages,
    add_generation_prompt=True,
    return_tensors="pt"
).to(model.device)

terminators = [
    tokenizer.eos_token_id,
    tokenizer.convert_tokens_to_ids("<|eot_id|>")
]

outputs = model.generate(
    input_ids,
    max_new_tokens=1024,
    eos_token_id=terminators,
    pad_token_id=tokenizer.eos_token_id,
    do_sample=True,
    temperature=0.2,
    repetition_penalty = 1.3,
    top_p=0.9,
    top_k=10,
)
response = outputs[0][input_ids.shape[-1]:]
print(tokenizer.decode(response, skip_special_tokens=True).strip())

Example Output

리눅스의 경우, `kill` 또는 `pkill` 명령을 사용하여 특정 프로세스를 강제로 종료할 수 있습니다.

1단계: ps -ef | grep <프로세스_이름>`으로 현재 실행 중인 모든 프로세스가 표시됩니다.
2단계: kill <프로세스_ID>`를 입력하면 해당 프로세스가 즉시 종료됩니다.

또는 `-9`(SIGKILL 신호)를 지정하여 프로세스를 강제로 종료하도록 할 수도 있으며, 이는 운영 체제에서 정상적으로 종료하기 전에 마지막 기회를 주지 않고 바로 죽게 됩니다:

3단계: kill -9 <프로세스_ID>`를 입력합니다.

참고로, 시스템의 안정을 위해 필요한 파일이나 서비스가 있는 경우에는 직접 삭제하지 말아야 하며, 적절한 권한과 지시에 따라 처리해야 합니다. 또한 일부 프로그램들은 강제종료 시 데이터 손실 등의 문제가 발생할 가능성이 있으므로 미리 저장된 작업 내용 등을 확인하고 종료하시기 바랍니다.

License

Creative Commons Attribution-NonCommercial-ShareAlike 4.0 (CC-BY-NC-SA-4.0)
상업적 사용 시, 아래의 연락처로 문의해주시기 바랍니다.

Contact

상업적 사용 또는 기타 문의 사항에 대하여 연락하시려면 다음 이메일로 연락 주십시오.
강현구: hkkang@easy.co.kr

Downloads last month: 31

Safetensors

Model size

8B params

Tensor type

BF16

Model tree for Easy-Systems/easy-ko-Llama3-8b-Instruct-v1

Merges

1 model

Quantizations

1 model