base_model, library_name, model_name, tags, licence, license, language, pipeline_tag

base_model	library_name	model_name	tags	licence	license	language	pipeline_tag
Finisha-F-scratch/Learnia	transformers	Learnia-Empathic-Tchat	Instruct Assistant love Empathic	license	other	en	text-generation

🧠 Learnia-Empathic-Tchat

Learnia-Empathic-Tchat est un Small Language Model (SLM) de 51.6M de paramètres, affiné par SFT (Supervised Fine-Tuning) pour devenir un assistant spécialisé dans le dialogue émotionnel et relationnel. Basé sur l'architecture Learnia, ce modèle prouve qu'une petite taille peut offrir une profondeur de compréhension étonnante lorsqu'elle est couplée à un dataset ultra-spécialisé.

🌟 Points Forts

• Ultra-Léger : 51.6M de paramètres pour une exécution fluide sur n'importe quel CPU ou GPU virtuel.
• Spécialisation Émotionnelle : Entraîné sur 10 000 dialogues ciblant la résolution de conflits, la tristesse, la trahison et la gestion du stress relationnel.
• Format Chat-Ready : Utilise un template de chat standard pour une intégration immédiate dans des applications de messagerie.

📊 Fiche Technique

Caractéristique	Détail
Base	Learnia (Foundation)
Paramètres	51.6 Millions
Méthode	Fine-tuning SFT (Instruct)
Dataset	10k dialogues
Format	Hugging Face Transformers

🚀 Utilisation (Inférence)

Pour discuter avec Learnia-Empathic-Tchat, tu peux utiliser le code suivant via la bibliothèque transformers :

from transformers import AutoTokenizer, AutoModelForCausalLM

# Chargement du modèle et du tokenizer
checkpoint = "Clem27-Assistants/Learnia-Empathic-Tchat"
tokenizer = AutoTokenizer.from_pretrained(checkpoint)
model = AutoModelForCausalLM.from_pretrained(checkpoint)

# Structure de la conversation
messages = [
    {"role": "user", "content": "Hello! My mother yelled at me. What should I do?"},
]

# Application du chat template
inputs = tokenizer.apply_chat_template(
    messages,
    add_generation_prompt=True,
    tokenize=True,
    return_dict=True,
    return_tensors="pt",
).to(model.device)

# Génération de la réponse
outputs = model.generate(
    **inputs,
    max_new_tokens=200, 
    do_sample=True, 
    temperature=0.7,
    eos_token_id=tokenizer.eos_token_id,
    stop_strings=["<|im_end|>"],
    tokenizer=tokenizer
)

# Décodage et post-process
decoded_output = tokenizer.decode(outputs[0][inputs["input_ids"].shape[-1]:])
clean_output = decoded_output.replace("<|im_end|>", "").strip()

print(f"Assistant: {clean_output}")

⚠️ Limitations

Étant un modèle de 51.6M de paramètres, Learnia-Empathic-Tchat est conçu pour la texture conversationnelle et l'empathie, et non pour le calcul mathématique ou la génération de code complexe. Il brille par sa capacité à maintenir un ton humain et réconfortant.

nos conditions d'utilisation et politique de confidentialité officielles : https://learnia-gazelle-empathy.lovable.app/