Instructions to use anilguven/Qwen2.5-1.5B-TrSummarization-unsloth with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use anilguven/Qwen2.5-1.5B-TrSummarization-unsloth with Transformers:

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

pipe = pipeline("text-generation", model="anilguven/Qwen2.5-1.5B-TrSummarization-unsloth")

# Load model directly
from transformers import AutoModel
model = AutoModel.from_pretrained("anilguven/Qwen2.5-1.5B-TrSummarization-unsloth", dtype="auto")

Notebooks
Google Colab
Kaggle
Local Apps Settings

vLLM

How to use anilguven/Qwen2.5-1.5B-TrSummarization-unsloth with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "anilguven/Qwen2.5-1.5B-TrSummarization-unsloth"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "anilguven/Qwen2.5-1.5B-TrSummarization-unsloth",
		"prompt": "Once upon a time,",
		"max_tokens": 512,
		"temperature": 0.5
	}'

Use Docker

docker model run hf.co/anilguven/Qwen2.5-1.5B-TrSummarization-unsloth

SGLang

How to use anilguven/Qwen2.5-1.5B-TrSummarization-unsloth 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 "anilguven/Qwen2.5-1.5B-TrSummarization-unsloth" \
    --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": "anilguven/Qwen2.5-1.5B-TrSummarization-unsloth",
		"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 "anilguven/Qwen2.5-1.5B-TrSummarization-unsloth" \
        --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": "anilguven/Qwen2.5-1.5B-TrSummarization-unsloth",
		"prompt": "Once upon a time,",
		"max_tokens": 512,
		"temperature": 0.5
	}'

Unsloth Studio

How to use anilguven/Qwen2.5-1.5B-TrSummarization-unsloth 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 anilguven/Qwen2.5-1.5B-TrSummarization-unsloth 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 anilguven/Qwen2.5-1.5B-TrSummarization-unsloth to start chatting

Using HuggingFace Spaces for Unsloth

# No setup required
# Open https://huggingface.co/spaces/unsloth/studio in your browser
# Search for anilguven/Qwen2.5-1.5B-TrSummarization-unsloth to start chatting

Load model with FastModel

pip install unsloth
from unsloth import FastModel
model, tokenizer = FastModel.from_pretrained(
    model_name="anilguven/Qwen2.5-1.5B-TrSummarization-unsloth",
    max_seq_length=2048,
)

Docker Model Runner
How to use anilguven/Qwen2.5-1.5B-TrSummarization-unsloth with Docker Model Runner:
```
docker model run hf.co/anilguven/Qwen2.5-1.5B-TrSummarization-unsloth
```

Introduction

Model was tested 1500 wikipedia articles, and was measured by these metrics:

Model's average Rouge-1 score: 0.472
Model's averageRouge-l score: 0.382
Model's average Bertscore: 0.694
GGUF version: https://huggingface.co/anilguven/Qwen2.5-1.5B-TrSummarization-unsloth-GGUF

Usage 🚀

from unsloth import FastLanguageModel
max_seq_length = 1024 # Choose any! We auto support RoPE Scaling internally!
dtype = None # None for auto detection. Float16 for Tesla T4, V100, Bfloat16 for Ampere+
load_in_4bit = True # Use 4bit quantization to reduce memory usage. Can be False.

model, tokenizer = FastLanguageModel.from_pretrained(
    model_name = "anilguven/Qwen2.5-1.5B-TrSummarization-unsloth", # YOUR MODEL YOU USED FOR TRAINING
    max_seq_length = max_seq_length,
    dtype = dtype,
    load_in_4bit = load_in_4bit,
)
FastLanguageModel.for_inference(model) # Enable native 2x faster inference

Example

prompt = """Aşağıda, bir girdinin özet hali çıktıda verilmiştir. Girdiyi uygun şekilde özetleyin.
### Input (Girdi):
{}
### Response (Yanıt):
{}"""

inputs = tokenizer(
[
    prompt.format(
        """IBOR Interbank Offered Rate (Bankalararası Teklif edilen Faiz oranı) başharfleridır. Belirtilmiş bir zamanda, ilk kategoriden bir Bankanın ayni kategoriden başka bir bankaya, hiçbir karşılık garanti verilmeden (İngilizcesı : unsecured lending), ödünç verilmesı için kullanılan faiz oranıdır. Ödünç karşılığında hiçbir varlık ya da güvenlik verilmediği için riskli bir işlemdır.Bankalararası Karşılıksız Ödünç 
Bankalararası Karşılıksız Ödünç Para Merkezlerinin en pahalı, en riskli ama aynı şekilde en çok kontrol altında olan işlemidir. Bundan dolayı, nadir, ve toplam miktarda ağır olmayan bir işlemdır. Bunun üzerinde, kısa süreler için kullanılır. İki yıllık Bilanço arasında, yani 31 Aralığı geçtıkten sonra, pek kullanılmaz.Bunlara rağmen, türev finansal ürünler merkezinin büyük bir bölümü bu küçük merkeze bağlıdır.""", # input
        "", # output - leave this blank for generation!
    )
], return_tensors = "pt").to("cuda")

from transformers import TextStreamer
text_streamer = TextStreamer(tokenizer, skip_prompt = True)
output = model.generate(input_ids = inputs.input_ids, attention_mask = inputs.attention_mask,
                   streamer = text_streamer, max_new_tokens = 256, pad_token_id = tokenizer.eos_token_id)

IBOR, Bankalararası Teklif edilen Faiz oranı ile birlikte, ilk kategoriden bir Bankanın ayni kategoriden başka bir bankaya, hiçbir karşılık garanti verilmeden, ödünç verilmesi için kullanılan faiz oranıdır ve Bankalararası Karşılıksız Ödünç para merkezlerinin en pahalı, en riskli ama aynı şekilde en çok kontrol altında olan işlemidir.