Instructions to use 0to1partners/bl_0to1_v1-full with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use 0to1partners/bl_0to1_v1-full with Transformers:

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

pipe = pipeline("text-generation", model="0to1partners/bl_0to1_v1-full")
messages = [
    {"role": "user", "content": "Who are you?"},
]
pipe(messages)

# Load model directly
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("0to1partners/bl_0to1_v1-full")
model = AutoModelForCausalLM.from_pretrained("0to1partners/bl_0to1_v1-full")
messages = [
    {"role": "user", "content": "Who are you?"},
]
inputs = tokenizer.apply_chat_template(
	messages,
	add_generation_prompt=True,
	tokenize=True,
	return_dict=True,
	return_tensors="pt",
).to(model.device)

outputs = model.generate(**inputs, max_new_tokens=40)
print(tokenizer.decode(outputs[0][inputs["input_ids"].shape[-1]:]))

Notebooks
Google Colab
Kaggle
Local Apps

vLLM

How to use 0to1partners/bl_0to1_v1-full with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "0to1partners/bl_0to1_v1-full"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "0to1partners/bl_0to1_v1-full",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker

docker model run hf.co/0to1partners/bl_0to1_v1-full

SGLang

How to use 0to1partners/bl_0to1_v1-full 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 "0to1partners/bl_0to1_v1-full" \
    --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": "0to1partners/bl_0to1_v1-full",
		"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 "0to1partners/bl_0to1_v1-full" \
        --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": "0to1partners/bl_0to1_v1-full",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Unsloth Studio new

How to use 0to1partners/bl_0to1_v1-full 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 0to1partners/bl_0to1_v1-full 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 0to1partners/bl_0to1_v1-full to start chatting

Using HuggingFace Spaces for Unsloth

# No setup required
# Open https://huggingface.co/spaces/unsloth/studio in your browser
# Search for 0to1partners/bl_0to1_v1-full to start chatting

Load model with FastModel

pip install unsloth
from unsloth import FastModel
model, tokenizer = FastModel.from_pretrained(
    model_name="0to1partners/bl_0to1_v1-full",
    max_seq_length=2048,
)

Docker Model Runner
How to use 0to1partners/bl_0to1_v1-full with Docker Model Runner:
```
docker model run hf.co/0to1partners/bl_0to1_v1-full
```

bl_0to1_v1-merged - 데이터 분석 특화 한국어 모델 (Merged 버전)

📊 모델 소개

bl_0to1_v1-merged는 unsloth/gpt-oss-20b를 기반으로 데이터 분석 및 MLOps 태스크에 특화되도록 파인튜닝된 한국어 모델입니다.

이 버전은 LoRA 어댑터가 베이스 모델에 병합(merge)된 전체 모델입니다. 별도의 어댑터 로딩 없이 바로 사용할 수 있습니다.

LoRA 어댑터 버전: lee-monster/bl_0to1_v1

🎯 주요 특징

모델명: bl_0to1_v1-merged
베이스 모델: unsloth/gpt-oss-20b (20B 파라미터)
훈련 방법: LoRA (Low-Rank Adaptation) → Merged
특화 분야: 데이터 분석, MLOps 컨설팅
학습 데이터:
- KOREAson/YiSang-HighQuality
- 자체 생성 데이터 (Custom Generated Dataset)
언어: 한국어 (Korean)
라이선스: Apache 2.0

🚀 사용 방법

Merged 모델 로드 (권장)

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

# Merged 모델 직접 로드 (어댑터 불필요)
model = AutoModelForCausalLM.from_pretrained(
    "lee-monster/bl_0to1_v1-full",
    torch_dtype=torch.float16,
    device_map="auto",
    trust_remote_code=True
)

tokenizer = AutoTokenizer.from_pretrained("lee-monster/bl_0to1_v1-full")

4bit 양자화 로드 (메모리 절약)

from transformers import AutoModelForCausalLM, AutoTokenizer, BitsAndBytesConfig
import torch

# 4bit 양자화 설정
bnb_config = BitsAndBytesConfig(
    load_in_4bit=True,
    bnb_4bit_quant_type="nf4",
    bnb_4bit_compute_dtype=torch.float16,
    bnb_4bit_use_double_quant=True,
)

model = AutoModelForCausalLM.from_pretrained(
    "lee-monster/bl_0to1_v1-full",
    quantization_config=bnb_config,
    device_map="auto",
    trust_remote_code=True
)

tokenizer = AutoTokenizer.from_pretrained("lee-monster/bl_0to1_v1-full")

사용 예시

messages = [
    {"role": "system", "content": "당신은 시니어 데이터 분석가입니다."},
    {"role": "user", "content": "리뷰데이터를 활용한 텍스트 분석을 통한 경쟁사 대비 차별성을 도출하려면 어떻게 분석해야해?"}
]

inputs = tokenizer.apply_chat_template(
    messages,
    add_generation_prompt=True,
    return_tensors="pt",
    return_dict=True
).to(model.device)

with torch.no_grad():
    outputs = model.generate(
        **inputs,
        max_new_tokens=512,
        do_sample=True,
        temperature=0.7,
        top_p=0.9,
        pad_token_id=tokenizer.eos_token_id
    )

response = tokenizer.decode(outputs[0], skip_special_tokens=True)
print(response)

📊 훈련 정보

베이스 모델: unsloth/gpt-oss-20b-unsloth-bnb-4bit
훈련 스텝: 30 steps
LoRA Rank: 8
LoRA Alpha: 16
타겟 모듈: q_proj, k_proj, v_proj, o_proj, gate_proj, up_proj, down_proj
학습 데이터:
- KOREAson/YiSang-HighQuality (283k samples)
- 자체 생성 데이터 (Custom Generated Dataset)

🎓 활용 분야

이 모델은 다음 분야에서 우수한 성능을 보입니다:

📊 데이터 분석 (Data Analysis)

통계적 분석 및 해석
데이터 시각화 전략 수립
A/B 테스트 설계 및 분석
예측 모델링 및 머신러닝 파이프라인 구축

🔧 MLOps 컨설팅

ML 파이프라인 설계 및 최적화
모델 배포 전략 수립
모니터링 및 성능 관리
CI/CD 파이프라인 구축

🧮 수학적 문제 해결

복잡한 수학 문제 분석
알고리즘적 사고 지원
논리적 추론 및 증명

💼 비즈니스 인사이트

데이터 기반 의사결정 지원
KPI 분석 및 해석
비즈니스 메트릭 최적화

💻 시스템 요구사항

로드 방식	GPU 메모리	비고
FP16 전체	~40GB	A100 권장
4bit 양자화	~12GB	RTX 3080Ti 이상
8bit 양자화	~20GB	RTX 4090 이상

시스템 RAM: 최소 32GB
Python: 3.8+
주요 라이브러리: transformers, torch, bitsandbytes (4bit 사용시)

⚠️ 주의사항

데이터 분석 특화: 이 모델은 데이터 분석 및 MLOps 태스크에 최적화되어 있습니다.
한국어 중심: 한국어 외의 언어에서는 성능이 제한적일 수 있습니다.
검증 필요: 생성된 분석 결과는 항상 검토하고 검증이 필요합니다.
윤리적 사용: 데이터 프라이버시와 윤리를 준수하여 사용해주세요.

🔗 관련 링크

LoRA 어댑터 버전: lee-monster/bl_0to1_v1
베이스 모델: unsloth/gpt-oss-20b
학습 데이터: KOREAson/YiSang-HighQuality

📜 라이선스

이 모델은 Apache 2.0 라이선스로 배포됩니다.

📝 데이터셋 정보

주요 데이터셋: KOREAson/YiSang-HighQuality (283k samples)
추가 데이터: 자체 생성한 데이터 분석 및 MLOps 관련 데이터
데이터 형식: Instruction-Response 쌍

🙏 Acknowledgements

OpenAI gpt-oss
Unsloth
KOREAson/YiSang-HighQuality

Downloads last month: 3

Safetensors

Model size

21B params

Tensor type

F32

BF16

Model tree for 0to1partners/bl_0to1_v1-full

Base model

openai/gpt-oss-20b

Quantized

unsloth/gpt-oss-20b