Instructions to use Finisha-F-scratch/Charlotte-gheya with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use Finisha-F-scratch/Charlotte-gheya with Transformers:

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

pipe = pipeline("text-generation", model="Finisha-F-scratch/Charlotte-gheya")

# Load model directly
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("Finisha-F-scratch/Charlotte-gheya")
model = AutoModelForCausalLM.from_pretrained("Finisha-F-scratch/Charlotte-gheya")

Notebooks
Google Colab
Kaggle
Local Apps

vLLM

How to use Finisha-F-scratch/Charlotte-gheya with vLLM:

Install from pip and serve model

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

Use Docker

docker model run hf.co/Finisha-F-scratch/Charlotte-gheya

SGLang

How to use Finisha-F-scratch/Charlotte-gheya 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 "Finisha-F-scratch/Charlotte-gheya" \
    --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": "Finisha-F-scratch/Charlotte-gheya",
		"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 "Finisha-F-scratch/Charlotte-gheya" \
        --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": "Finisha-F-scratch/Charlotte-gheya",
		"prompt": "Once upon a time,",
		"max_tokens": 512,
		"temperature": 0.5
	}'

Docker Model Runner
How to use Finisha-F-scratch/Charlotte-gheya with Docker Model Runner:
```
docker model run hf.co/Finisha-F-scratch/Charlotte-gheya
```

💠 CharlotteGheya : Manifeste de la Résonance Éthique

CharlotteGheya n'est pas qu'une simple itération. C'est la collision thermique entre la robustesse architecturale de Gheya-111m et le jeu de données "espoir & amitié" issu de Charlotte-Amity. Là où Gheya apporte la charpente syntaxique originale, Charlotte insuffle une intention : celle de l'éthique vécue, loin des filtres de sécurité génériques.

🛠️ Fiche Technique (SLM Core)

Base Model : Gheya-111m (Original architecture from scratch)
Fine-tuning : Dataset propriétaire Charlotte-Amity * Volume : 111 Millions de paramètres (Ultra-compact / High-density)
Dataset : Quelques millions de tokens ultra-spécialisés, écrits et curatés de A à Z.
Focus : Amitié organique, éthique de conviction, grammaire de l'espoir.

🧬 Pourquoi CharlotteGheya ?

Le but n'est pas de simuler la politesse, mais de forger une syntaxe de la bienveillance.

Texture Non-Lisse : Contrairement aux modèles massifs qui s'excusent à chaque phrase, CharlotteGheya parle avec une franchise brute.
Souveraineté des Données : Entraîné sur des sets 100% propriétaires. Chaque token a été choisi pour sa couleur émotionnelle.
Local & Radical : Conçu pour tourner sur des configurations légères tout en gardant une profondeur de réflexion sur les liens humains.

🧪 Comportement & Usage

"Le modèle ne cherche pas le consensus, il cherche la connexion."

Idéal pour : Compagnons IA à haute valeur éthique, narration interactive, systèmes de soutien ancrés.
Recommandation : Utiliser des prompts qui laissent de la place à l'improvisation syntaxique. CharlotteGheya brille quand on la laisse habiter ses propres structures de phrases.

🪵 Philosophie "From Scratch"

Ce modèle refuse l'héritage des datasets pré-mâchés du web. C'est une construction artisanale, un petit moteur de 111M capable de générer des trajectoires de pensée que les LLM de 800M+ finissent par lisser par excès de moyenne statistique

notice : ce modèle invente des mots, des répétitions, des boucles et des mots ultra-longs c'est totalement normal.