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

Libraries

How to use Finisha-F-scratch/SMCLEM with Transformers:

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

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

# Load model directly
from transformers import AutoTokenizer, AutoModelForCausalLM

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

Notebooks
Google Colab
Kaggle
Local Apps

vLLM

How to use Finisha-F-scratch/SMCLEM with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "Finisha-F-scratch/SMCLEM"
# 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/SMCLEM",
		"prompt": "Once upon a time,",
		"max_tokens": 512,
		"temperature": 0.5
	}'

Use Docker

docker model run hf.co/Finisha-F-scratch/SMCLEM

SGLang

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

Docker Model Runner
How to use Finisha-F-scratch/SMCLEM with Docker Model Runner:
```
docker model run hf.co/Finisha-F-scratch/SMCLEM
```
Browse Quantizations to use this model in llama.cpp, Ollama, LM Studio, or any compatible app.

🏗️ Fiche Technique : SMCLEM (Small Language Clem)

SMCLEM est un moteur de génération divergente conçu from scratch. Il privilégie la collision de concepts et la plasticité narrative sur la rigueur encyclopédique. C’est un modèle de texture, pas de vérité.

🧪 ADN & Architecture

Origine : Hybridation entre l'architecture SLM (Small Language Model) et un set de poids "Clem" propriétaires.
Entraînement : Datasets artisanaux, disparates et non corrélés, forçant le modèle à créer des ponts logiques inédits.
Nature : Bilingual (FR/EN) à faible volume de paramètres, optimisant la densité créative.

🎭 Domaines d'Excellence

World Building : Idéal pour générer des cosmogonies où les lois de la physique sont remplacées par des concepts abstraits.
Personnalité : Capacité à forger des alter-egos aux syntaxes imprévisibles et aux humeurs changeantes.
Abstraction : Parfait pour le surréalisme et l'exploration de langages non-linéaires.

⚠️ Comportement du Noyau (Core Logic)

Le modèle fonctionne sur un axe de Sémantique Collisionnelle :

Boucles d'Évidence : En l'absence de stimuli créatifs, SMCLEM peut se stabiliser sur des tautologies ("La Chine est en Chine"). C'est son état de repos.
Glissements Conceptuels : Le modèle peut injecter des concepts sociopolitiques ou philosophiques dans des contextes domestiques (ex: la recette au Nutella). Ce n'est pas un bug, c'est une dérive poétique issue de la friction des datasets.

🛠️ Mode d'Emploi

Ne pas utiliser pour : Calculs, faits historiques, conseils médicaux ou recettes de cuisine conventionnelles. Utiliser pour : Briser le blocage de l'écrivain, générer des dialogues d'IA déviantes, et explorer de nouvelles syntaxes.

Downloads last month: 33

Safetensors

Model size

0.1B params

Tensor type

F32

Model tree for Finisha-F-scratch/SMCLEM

Quantizations

1 model

Datasets used to train Finisha-F-scratch/SMCLEM

Space using Finisha-F-scratch/SMCLEM 1

Collection including Finisha-F-scratch/SMCLEM

From scratch

Collection

Finisha SLM ✨ • 87 items • Updated Mar 23