Instructions to use QuantFactory/calme-2.3-legalkit-8b-GGUF with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use QuantFactory/calme-2.3-legalkit-8b-GGUF with Transformers:

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

pipe = pipeline("text-generation", model="QuantFactory/calme-2.3-legalkit-8b-GGUF")
messages = [
    {"role": "user", "content": "Who are you?"},
]
pipe(messages)

# Load model directly
from transformers import AutoModel
model = AutoModel.from_pretrained("QuantFactory/calme-2.3-legalkit-8b-GGUF", dtype="auto")

llama-cpp-python

How to use QuantFactory/calme-2.3-legalkit-8b-GGUF with llama-cpp-python:

# !pip install llama-cpp-python

from llama_cpp import Llama

llm = Llama.from_pretrained(
	repo_id="QuantFactory/calme-2.3-legalkit-8b-GGUF",
	filename="calme-2.3-legalkit-8b.Q2_K.gguf",
)

llm.create_chat_completion(
	messages = [
		{
			"role": "user",
			"content": "What is the capital of France?"
		}
	]
)

Notebooks
Google Colab
Kaggle
Local Apps

llama.cpp

How to use QuantFactory/calme-2.3-legalkit-8b-GGUF with llama.cpp:

Install from brew

brew install llama.cpp
# Start a local OpenAI-compatible server with a web UI:
llama-server -hf QuantFactory/calme-2.3-legalkit-8b-GGUF:Q4_K_M
# Run inference directly in the terminal:
llama-cli -hf QuantFactory/calme-2.3-legalkit-8b-GGUF:Q4_K_M

Install from WinGet (Windows)

winget install llama.cpp
# Start a local OpenAI-compatible server with a web UI:
llama-server -hf QuantFactory/calme-2.3-legalkit-8b-GGUF:Q4_K_M
# Run inference directly in the terminal:
llama-cli -hf QuantFactory/calme-2.3-legalkit-8b-GGUF: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 QuantFactory/calme-2.3-legalkit-8b-GGUF:Q4_K_M
# Run inference directly in the terminal:
./llama-cli -hf QuantFactory/calme-2.3-legalkit-8b-GGUF: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 QuantFactory/calme-2.3-legalkit-8b-GGUF:Q4_K_M
# Run inference directly in the terminal:
./build/bin/llama-cli -hf QuantFactory/calme-2.3-legalkit-8b-GGUF:Q4_K_M

Use Docker

docker model run hf.co/QuantFactory/calme-2.3-legalkit-8b-GGUF:Q4_K_M

LM Studio
Jan

vLLM

How to use QuantFactory/calme-2.3-legalkit-8b-GGUF with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "QuantFactory/calme-2.3-legalkit-8b-GGUF"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "QuantFactory/calme-2.3-legalkit-8b-GGUF",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker

docker model run hf.co/QuantFactory/calme-2.3-legalkit-8b-GGUF:Q4_K_M

SGLang

How to use QuantFactory/calme-2.3-legalkit-8b-GGUF 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 "QuantFactory/calme-2.3-legalkit-8b-GGUF" \
    --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": "QuantFactory/calme-2.3-legalkit-8b-GGUF",
		"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 "QuantFactory/calme-2.3-legalkit-8b-GGUF" \
        --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": "QuantFactory/calme-2.3-legalkit-8b-GGUF",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Ollama
How to use QuantFactory/calme-2.3-legalkit-8b-GGUF with Ollama:
```
ollama run hf.co/QuantFactory/calme-2.3-legalkit-8b-GGUF:Q4_K_M
```

Unsloth Studio new

How to use QuantFactory/calme-2.3-legalkit-8b-GGUF 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 QuantFactory/calme-2.3-legalkit-8b-GGUF 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 QuantFactory/calme-2.3-legalkit-8b-GGUF to start chatting

Using HuggingFace Spaces for Unsloth

# No setup required
# Open https://huggingface.co/spaces/unsloth/studio in your browser
# Search for QuantFactory/calme-2.3-legalkit-8b-GGUF to start chatting

Docker Model Runner
How to use QuantFactory/calme-2.3-legalkit-8b-GGUF with Docker Model Runner:
```
docker model run hf.co/QuantFactory/calme-2.3-legalkit-8b-GGUF:Q4_K_M
```

Lemonade

How to use QuantFactory/calme-2.3-legalkit-8b-GGUF with Lemonade:

Pull the model

# Download Lemonade from https://lemonade-server.ai/
lemonade pull QuantFactory/calme-2.3-legalkit-8b-GGUF:Q4_K_M

Run and chat with the model

lemonade run user.calme-2.3-legalkit-8b-GGUF-Q4_K_M

List all available models

lemonade list

QuantFactory/calme-2.3-legalkit-8b-GGUF

This is quantized version of MaziyarPanahi/calme-2.3-legalkit-8b created using llama.cpp

Original Model Card

MaziyarPanahi/calme-2.3-legalkit-8b

This model is an advanced iteration of the powerful meta-llama/Meta-Llama-3.1-8B-Instruct, specifically fine-tuned to enhance its capabilities in the legal domain. The fine-tuning process utilized a synthetically generated dataset derived from the French LegalKit, a comprehensive legal language resource.

To create this specialized dataset, I used the NousResearch/Nous-Hermes-2-Mixtral-8x7B-DPO model in conjunction with Hugging Face's Inference Endpoint. This approach allowed for the generation of high-quality, synthetic data that incorporates Chain of Thought (CoT) and advanced reasoning in its responses.

The resulting model combines the robust foundation of Llama-3.1-8B with tailored legal knowledge and enhanced reasoning capabilities. This makes it particularly well-suited for tasks requiring in-depth legal analysis, interpretation, and application of French legal concepts.

⚡ Quantized GGUF

All GGUF models are available here: MaziyarPanahi/calme-2.3-legalkit-8b-GGUF

🏆 Open LLM Leaderboard Evaluation Results

Leaderboard 2 coming soon!

TruthfulQA:

|    Tasks     |Version|Filter|n-shot|Metric|Value |   |Stderr|
|--------------|------:|------|-----:|------|-----:|---|-----:|
|truthfulqa_mc2|      2|none  |     0|acc   |0.5481|±  |0.0152|

WinoGrande:

|  Tasks   |Version|Filter|n-shot|Metric|Value |   |Stderr|
|----------|------:|------|-----:|------|-----:|---|-----:|
|winogrande|      1|none  |     5|acc   |0.7758|±  |0.0117|

ARC (Challenge) :

|    Tasks    |Version|Filter|n-shot| Metric |Value |   |Stderr|
|-------------|------:|------|-----:|--------|-----:|---|-----:|
|arc_challenge|      1|none  |    25|acc     |0.5666|±  |0.0145|
|             |       |none  |    25|acc_norm|0.6101|±  |0.0143|

GSM8K:

|Tasks|Version|     Filter     |n-shot|  Metric   |Value|   |Stderr|
|-----|------:|----------------|-----:|-----------|----:|---|-----:|
|gsm8k|      3|strict-match    |     5|exact_match|0.771|±  |0.0116|
|     |       |flexible-extract|     5|exact_match|0.771|±  |0.0116|

Prompt Template

This model uses ChatML prompt template:

<|begin_of_text|><|start_header_id|>system<|end_header_id|>

{system_prompt}<|eot_id|><|start_header_id|>user<|end_header_id|>

{prompt}<|eot_id|><|start_header_id|>assistant<|end_header_id|>

Example

<|begin_of_text|><|begin_of_text|><|start_header_id|>user<|end_header_id|>

Quelles sont les modalités d'utilisation d'un contingent annuel d'heures supplémentaires et de son éventuel dépassement qui sont soumises à consultation du comité social et économique au moins une fois par an en l'absence d'accord?<|eot_id|><|start_header_id|>assistant<|end_header_id|>

Pour répondre à la question posée, nous allons examiner le texte du Code du travail, article L3121-44, et analyser les informations données étape par étape. Nous chercherons à comprendre les modalités d'utilisation d'un contingent annuel d'heures supplémentaires et de son éventuel dépassement qui sont soumises à consultation du comité social et économique au moins une fois par an en l'absence d'accord.

### Analyse de l'Article L3121-44 du Code du Travail

1. **Texte de l'Article L3121-44** :
   "A défaut d'accord prévu à l'article L. 3121-42, les modalités d'utilisation du contingent annuel d'heures supplémentaires ainsi que celles relatives à son dépassement mentionnées aux articles L. 3121-37 à L. 3121-40 font l'objet d'une consultation du comité social et économique au moins une fois par an."

2. **Explication par Éléments** :

   - **Absence d'Accord** :
     L'article indique qu'en l'absence d'un accord entre l'employeur et les représentants des salariés (comme prévu à l'article L. 3121-42), certaines règles s'appliquent.

   - **Contingent Annuel d'Heures Supplémentaires** :
     Le contingent annuel d'heures supplémentaires est un nombre d'heures supplémentaires que les employeurs peuvent demander à leurs salariés de travailler au-delà de leur temps de travail réglementaire, sans que cela soit considéré comme du travail excessif.

   - **Modalités d'Utilisation et Dépassement** :
     Les modalités d'utilisation du contingent annuel d'heures supplémentaires et celles relatives à son dépassement sont définies dans les articles L. 3121-37 à L. 3121-40 du Code du travail.

   - **Consultation du Comité Social et Économique** :
     En l'absence d'accord, ces modalités doivent être soumises à la consultation du comité social et économique (CSE) au moins une fois par an. Le CSE est une instance représentative du personnel qui a pour mission de participer à la gestion des affaires sociales et économiques de l'entreprise.

### Réponse Basée sur l'Analyse

En l'absence d'accord entre l'employeur et les représentants des salariés concernant les modalités d'utilisation d'un contingent annuel d'heures supplémentaires et de son éventuel dépassement, ces modalités doivent être soumises à la consultation du comité social et économique (CSE) au moins une fois par an. Ces modalités sont définies dans les articles L. 3121-37 à L. 3121-40 du Code du travail.

### Justification et Conclusion

Cette réponse est cohérente avec l'entrée fournie. Elle explique clairement les conséquences d'un manque d'accord entre les parties concernées et souligne l'importance de la consultation du comité social et économique dans ce contexte. En utilisant l'article L3121-44 comme base, nous avons développé une compréhension claire et complète des obligations légales en matière de consultation du CSE en l'absence d'accord sur les heures supplémentaires et leur dépassement.<|eot_id|>

How to use


# Use a pipeline as a high-level helper

from transformers import pipeline

messages = [
    {"role": "user", "content": "Who are you?"},
]
pipe = pipeline("text-generation", model="MaziyarPanahi/calme-2.3-legalkit-8b")
pipe(messages)


# Load model directly

from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("MaziyarPanahi/calme-2.3-legalkit-8b")
model = AutoModelForCausalLM.from_pretrained("MaziyarPanahi/calme-2.3-legalkit-8b")

Ethical Considerations

As with any large language model, users should be aware of potential biases and limitations. We recommend implementing appropriate safeguards and human oversight when deploying this model in production environments.

Downloads last month: 160

GGUF

Model size

8B params

Architecture

llama

Hardware compatibility

2-bit

3-bit

4-bit

5-bit

6-bit

8-bit

Model tree for QuantFactory/calme-2.3-legalkit-8b-GGUF

Base model

meta-llama/Llama-3.1-8B

Finetuned

meta-llama/Llama-3.1-8B-Instruct

Quantized

(635)

this model