Instructions to use CamiloVega/Llama-Jobs-Tips with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use CamiloVega/Llama-Jobs-Tips with Transformers:

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

pipe = pipeline("text-generation", model="CamiloVega/Llama-Jobs-Tips")

# Load model directly
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("CamiloVega/Llama-Jobs-Tips")
model = AutoModelForCausalLM.from_pretrained("CamiloVega/Llama-Jobs-Tips")

Notebooks
Google Colab
Kaggle
Local Apps

vLLM

How to use CamiloVega/Llama-Jobs-Tips with vLLM:

Install from pip and serve model

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

Use Docker

docker model run hf.co/CamiloVega/Llama-Jobs-Tips

SGLang

How to use CamiloVega/Llama-Jobs-Tips 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 "CamiloVega/Llama-Jobs-Tips" \
    --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": "CamiloVega/Llama-Jobs-Tips",
		"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 "CamiloVega/Llama-Jobs-Tips" \
        --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": "CamiloVega/Llama-Jobs-Tips",
		"prompt": "Once upon a time,",
		"max_tokens": 512,
		"temperature": 0.5
	}'

Docker Model Runner
How to use CamiloVega/Llama-Jobs-Tips with Docker Model Runner:
```
docker model run hf.co/CamiloVega/Llama-Jobs-Tips
```

Model Card

Model Details

Model Name: llama-fine-tune
Language: Spanish
Training Type: Fine-tuning
Base Model: NousResearch/Llama-2-7b-chat-hf
Model Description: Un modelo de Llama de 2.7 mil millones de parámetros ajustado (fine-tuned) en un conjunto de datos de preguntas y respuestas sobre consejos de carrera profesional.

Intended Use

Task(s): Generación de texto, respuesta a preguntas sobre consejos de carrera
Intended Use: Proporcionar respuestas detalladas a preguntas relacionadas con consejos de carrera profesional.
Limitations: El modelo está capacitado en un conjunto de datos específico de consejos de carrera, por lo que su conocimiento puede estar limitado a ese dominio. No se recomienda para tareas generales.

Training Data

Data Source: Conjunto de datos sintético generado con GPT-3 a partir de un prompt de preguntas y respuestas sobre consejos de carrera.
Training Examples: 100 ejemplos en formato <s>[INST] <pregunta> [/INST] <respuesta> </s>

Training Procedure

Fine-tuning Approach: Entrenamiento con PEFT (Parameter-Efficient Fine-Tuning) utilizando LoRA (Low-Rank Adaptation) con un rango de 64.
Hiperparámetros:
- Épocas: 1
- Tamaño de lote: 4
- Tasa de aprendizaje: 2e-4
- Dropout LoRA: 0.1
- Optimizador: Paged AdamW 32-bit
Hardware: GPU

Evaluation

Evaluation Set: 20% de los datos se reservaron para pruebas
Ejemplo de entrada: <s>[INST] ¿Cómo puedo mejorar mis habilidades de entrevista laboral? [/INST]
Ejemplo de salida: `Aquí hay algunos consejos para mejorar tus habilidades de entrevista:

Prepárate estudiando la empresa y el puesto. Investiga la misión, valores y cultura corporativa. Identifica cómo tus habilidades se alinean con los requisitos del trabajo.
Practica respondiendo preguntas comunes de entrevista en voz alta. Grábate y revisa tu lenguaje corporal, tono de voz y respuestas. Pide retroalimentación a amigos.
Elabora buenas preguntas que muestren tu interés genuino en el puesto y la empresa. Evita preguntas sobre salario y beneficios al inicio.
Vístete apropiadamente con ropa profesional y cómoda. Tu aspecto debe ser pulcro.
Llega temprano y sé amable con todos. La primera impresión es clave.
Durante la entrevista, mantén contacto visual, habla con claridad y confianza. Sé honesto sobre tus fortalezas y debilidades.
Al final, cierra enfatizando tu interés y agradeciendo la oportunidad. Envía un correo o nota de agradecimiento después.

La preparación, práctica y una actitud positiva pueden ayudarte a destacar en las entrevistas laborales. `

Ethics

Este modelo solo debe usarse de acuerdo con los principios éticos de Anthropic, incluyendo ser beneficioso para la humanidad y respetar los derechos humanos. No debe ser utilizado para difundir desinformación, incitación al odio u otros fines dañinos.

Downloads last month: 6