Instructions to use fibonacciai/fibonacci-2-9b with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use fibonacciai/fibonacci-2-9b with llama-cpp-python:

# !pip install llama-cpp-python

from llama_cpp import Llama

llm = Llama.from_pretrained(
	repo_id="fibonacciai/fibonacci-2-9b",
	filename="fibonacci-2-9b.F16.gguf",
)

output = llm(
	"Once upon a time,",
	max_tokens=512,
	echo=True
)
print(output)

Notebooks
Google Colab
Kaggle
Local Apps

llama.cpp

How to use fibonacciai/fibonacci-2-9b with llama.cpp:

Install from brew

brew install llama.cpp
# Start a local OpenAI-compatible server with a web UI:
llama-server -hf fibonacciai/fibonacci-2-9b:Q4_K_M
# Run inference directly in the terminal:
llama-cli -hf fibonacciai/fibonacci-2-9b:Q4_K_M

Install from WinGet (Windows)

winget install llama.cpp
# Start a local OpenAI-compatible server with a web UI:
llama-server -hf fibonacciai/fibonacci-2-9b:Q4_K_M
# Run inference directly in the terminal:
llama-cli -hf fibonacciai/fibonacci-2-9b: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 fibonacciai/fibonacci-2-9b:Q4_K_M
# Run inference directly in the terminal:
./llama-cli -hf fibonacciai/fibonacci-2-9b: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 fibonacciai/fibonacci-2-9b:Q4_K_M
# Run inference directly in the terminal:
./build/bin/llama-cli -hf fibonacciai/fibonacci-2-9b:Q4_K_M

Use Docker

docker model run hf.co/fibonacciai/fibonacci-2-9b:Q4_K_M

LM Studio
Jan

vLLM

How to use fibonacciai/fibonacci-2-9b with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "fibonacciai/fibonacci-2-9b"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "fibonacciai/fibonacci-2-9b",
		"prompt": "Once upon a time,",
		"max_tokens": 512,
		"temperature": 0.5
	}'

Use Docker

docker model run hf.co/fibonacciai/fibonacci-2-9b:Q4_K_M

Ollama
How to use fibonacciai/fibonacci-2-9b with Ollama:
```
ollama run hf.co/fibonacciai/fibonacci-2-9b:Q4_K_M
```

Unsloth Studio new

How to use fibonacciai/fibonacci-2-9b 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 fibonacciai/fibonacci-2-9b 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 fibonacciai/fibonacci-2-9b to start chatting

Using HuggingFace Spaces for Unsloth

# No setup required
# Open https://huggingface.co/spaces/unsloth/studio in your browser
# Search for fibonacciai/fibonacci-2-9b to start chatting

Docker Model Runner
How to use fibonacciai/fibonacci-2-9b with Docker Model Runner:
```
docker model run hf.co/fibonacciai/fibonacci-2-9b:Q4_K_M
```

Lemonade

How to use fibonacciai/fibonacci-2-9b with Lemonade:

Pull the model

# Download Lemonade from https://lemonade-server.ai/
lemonade pull fibonacciai/fibonacci-2-9b:Q4_K_M

Run and chat with the model

lemonade run user.fibonacci-2-9b-Q4_K_M

List all available models

lemonade list

You need to agree to share your contact information to access this model

This repository is publicly accessible, but you have to accept the conditions to access its files and content.

مدل Fibonacci-2-9b

https://www.youtube.com/watch?v=ATD_LL_QB4E

https://fibonacci.monster/

معرفی

مدل Fibonacci-2-9b یک مدل زبانی بزرگ (LLM) مبتنی بر معماری Gemma2 است که با ۹٫۲۴ میلیارد پارامتر طراحی شده است. این مدل برای انجام وظایف مرتبط با پردازش زبان طبیعی (NLP) و مکالمات متنی بهینه‌سازی شده است.

ویژگی‌ها

معماری: Gemma2
تعداد پارامترها: ۹٫۲۴ میلیارد
فرمت‌ها: GGUF با پشتیبانی از 4-bit (Q4_K_M)، 5-bit (Q5_K_M)، 8-bit (Q8_0)، و 16-bit (F16)
مجوز استفاده: MIT

کاربردها

تولید متن: ایجاد متون خلاقانه و متنوع
پاسخ به سؤالات: ارائه پاسخ‌های دقیق به پرسش‌های کاربران
ترجمه ماشینی: ترجمه متون بین زبان‌های مختلف
تحلیل احساسات: شناسایی احساسات موجود در متون

نحوه استفاده

برای استفاده از این مدل، می‌توانید از کتابخانه‌های مختلفی مانند transformers هاگینگ فیس استفاده کنید. در زیر یک نمونه کد برای بارگذاری و استفاده از مدل آورده شده است:

from transformers import AutoModelForCausalLM, AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained("fibonacciai/fibonacci-2-9b")
model = AutoModelForCausalLM.from_pretrained("fibonacciai/fibonacci-2-9b")

input_text = "سلام! چطور می‌توانم به شما کمک کنم؟"
inputs = tokenizer(input_text, return_tensors="pt")
outputs = model.generate(**inputs)
response = tokenizer.decode(outputs[0], skip_special_tokens=True)

print(response)
منابع
صفحه مدل در هاگینگ فیس

مستندات هاگینگ فیس

مشارکت
ما از مشارکت‌های شما استقبال می‌کنیم! اگر پیشنهادی برای بهبود مدل دارید یا باگ‌هایی را مشاهده کرده‌اید، لطفاً از طریق Issues با ما در میان بگذارید.

مجوز
این مدل تحت مجوز MIT منتشر شده است. برای اطلاعات بیشتر، فایل LICENSE را مشاهده کنید.

 


# Fibonacci-2-9b Model

![Model Logo](https://huggingface.co/front/assets/huggingface_logo.svg)

## Introduction

The **Fibonacci-2-9b** is a large language model (LLM) based on the Gemma2 architecture, designed with 9.24 billion parameters. This model is optimized for natural language processing (NLP) tasks and textual conversations.

## Features

- **Architecture:** Gemma2
- **Number of Parameters:** 9.24 billion
- **Formats:** GGUF supporting 4-bit (Q4_K_M), 5-bit (Q5_K_M), 8-bit (Q8_0), and 16-bit (F16)
- **License:** MIT

## Applications

- **Text Generation:** Creating creative and diverse texts
- **Question Answering:** Providing accurate responses to user inquiries
- **Machine Translation:** Translating texts between different languages
- **Sentiment Analysis:** Identifying sentiments present in texts

## Usage

To use this model, you can utilize various libraries such as Hugging Face's `transformers`. Below is a sample code to load and use the model:

```python
from transformers import AutoModelForCausalLM, AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained("fibonacciai/fibonacci-2-9b")
model = AutoModelForCausalLM.from_pretrained("fibonacciai/fibonacci-2-9b")

input_text = "Hello! How can I assist you today?"
inputs = tokenizer(input_text, return_tensors="pt")
outputs = model.generate(**inputs)
response = tokenizer.decode(outputs[0], skip_special_tokens=True)

print(response)
Resources
Model Page on Hugging Face

Hugging Face Documentation

Contribution
We welcome your contributions! If you have suggestions for improving the model or have identified any bugs, please share them with us through the Issues section.

License
This model is released under the MIT License. For more information, see the LICENSE file.




# نموذج Fibonacci-2-9b

![شعار النموذج](https://huggingface.co/front/assets/huggingface_logo.svg)

## المقدمة

نموذج **Fibonacci-2-9b** هو نموذج لغة كبير (LLM) يعتمد على بنية Gemma2، تم تصميمه بـ 9.24 مليار معلمة. هذا النموذج مُحسّن لمهام معالجة اللغة الطبيعية (NLP) والمحادثات النصية.

## الميزات

- **البنية:** Gemma2
- **عدد المعلمات:** 9.24 مليار
- **التنسيقات:** GGUF تدعم 4-بت (Q4_K_M)، 5-بت (Q5_K_M)، 8-بت (Q8_0)، و16-بت (F16)
- **الترخيص:** MIT

## التطبيقات

- **توليد النصوص:** إنشاء نصوص إبداعية ومتنوعة
- **الإجابة على الأسئلة:** تقديم إجابات دقيقة لاستفسارات المستخدمين
- **الترجمة الآلية:** ترجمة النصوص بين لغات مختلفة
- **تحليل المشاعر:** تحديد المشاعر الموجودة في النصوص

## كيفية الاستخدام

لاستخدام هذا النموذج، يمكنك الاستفادة من مكتبات مختلفة مثل `transformers` من Hugging Face. فيما يلي مثال لتحميل واستخدام النموذج:

```python
from transformers import AutoModelForCausalLM, AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained("fibonacciai/fibonacci-2-9b")
model = AutoModelForCausalLM.from_pretrained("fibonacciai/fibonacci-2-9b")
 
input_text = "مرحبًا! كيف يمكنني مساعدتك اليوم؟"
inputs = tokenizer(input_text, return_tensors="pt")
outputs
::contentReference[oaicite:0]{index=0}