Mattimax/DACMini-IT
1
0
Fork 0
Code Issues Pull Requests Actions Projects Releases Wiki Activity
Files
main
DACMini-IT/README.md

278 lines
9.1 KiB
Markdown
Raw Permalink Normal View History

初始化项目，由ModelHub XC社区提供模型 Model: Mattimax/DACMini-IT Source: Original Platform
2026-07-27 22:04:38 +08:00
---
license: mit
datasets:
- Mattimax/DATA-AI_Conversation_ITA
language:
- it
base_model:
- Mattimax/DACMini
library_name: transformers
tags:
- DAC
- DATA-AI
- data-ai
---
[![HuggingFace](https://img.shields.io/badge/HuggingFace-Mattimax-brightgreen)](https://huggingface.co/Mattimax)
[![M.INC](https://img.shields.io/badge/M.INC-Labs-blue)](https://huggingface.co/MINC01)
## ☕ Support my research
[![Buy Me a Coffee](https://img.shields.io/badge/Support-Buy%20Me%20a%20Coffee-FFDD00?style=for-the-badge&logo=buymeacoffee&logoColor=black)](https://www.buymeacoffee.com/marzomattye)
# Mattimax/DACMini-IT
![Logo di DACMini](https://huggingface.co/Mattimax/DACMini/resolve/main/DACMini_Logo/DACMini_Logo.png)
* **Autore:** [Mattimax](https://huggingface.co/Mattimax)
* **Organizzazione:** [M.INC](https://huggingface.co/MINC01)
* **Licenza:** MIT
---
## Descrizione
**DACMini-IT** è un modello di linguaggio compatto e instruction tuned per **chat e dialogo in lingua italiana**.
Basato sull’architettura **GPT-2 Small (italian adaptation)**, è progettato per essere rapido, leggero e facilmente distribuibile su dispositivi con risorse limitate.
Rispetto a DACMini “base”, **DACMini-IT** è addestrato su dataset italiani conversazionali strutturati in formato *user-assistant*, ottimizzando la capacità di seguire istruzioni e gestire conversazioni multi-turno naturali.
---
## Dimensioni e caratteristiche tecniche
* **Parametri:** 109M
* **Architettura:** GPT-2 Small (italian adaptation)
* **Lunghezza massima del contesto:** 512 token
* **Numero di strati:** 12
* **Numero di teste di attenzione:** 12
* **Dimensione embedding:** 768
* **Vocabolario:** ~50.000 token
* **Quantizzazione:** supportata (8-bit / 4-bit opzionale con `bitsandbytes`)
---
## Dataset di addestramento
Addestrato su [**Mattimax/DATA-AI_Conversation_ITA**](https://huggingface.co/datasets/Mattimax/DATA-AI_Conversation_ITA), un dataset italiano di dialoghi instruction tuned, contenente coppie *prompt-response* strutturate per favorire risposte coerenti, naturali e grammaticalmente corrette.
---
## Obiettivi
* Chatbot in lingua italiana con capacità di seguire istruzioni.
* Risposte concise, chiare e naturali in contesti multi-turno.
* Applicazioni leggere o offline dove la dimensione del modello è un vincolo.
---
## Avvertenze e limitazioni
* Modello **sperimentale**: può produrre errori logici o risposte non pertinenti.
* Non addestrato su temi sensibili o contenuti specialistici.
* Prestazioni limitate su conversazioni molto lunghe o prompt complessi.
* Non destinato ad usi commerciali senza ulteriore validazione.
---
## Uso consigliato
* Applicazioni chatbot leggere o offline in italiano.
* Prototipazione e test di pipeline NLP italiane.
* Generazione di risposte sintetiche e dataset per training o valutazione.
---
## Codice per inferenza di esempio
```python
from transformers import AutoTokenizer, AutoModelForCausalLM
import torch
# 1. Carica modello e tokenizer addestrati
model_path = "Mattimax/DACMini-IT"
tokenizer = AutoTokenizer.from_pretrained(model_path)
model = AutoModelForCausalLM.from_pretrained(model_path)
model.eval()
# 2. Funzione di generazione
def chat_inference(prompt, max_new_tokens=150, temperature=0.7, top_p=0.9):
# Costruisci input nel formato usato in training
formatted_prompt = f"<|user|> {prompt.strip()} <|assistant|>"
# Tokenizza
inputs = tokenizer(formatted_prompt, return_tensors="pt")
# Genera risposta
with torch.no_grad():
output = model.generate(
**inputs,
max_new_tokens=max_new_tokens,
temperature=temperature,
top_p=top_p,
do_sample=True,
pad_token_id=tokenizer.pad_token_id or tokenizer.eos_token_id
)
# Decodifica e rimuovi prompt iniziale
generated_text = tokenizer.decode(output[0], skip_special_tokens=True)
response = generated_text.split("<|assistant|>")[-1].strip()
return response
# 3. Esempio d’uso
if __name__ == "__main__":
while True:
user_input = input("👤 Utente: ")
if user_input.lower() in ["exit", "quit"]:
break
response = chat_inference(user_input)
print(f"🤖 Assistant: {response}\n")
````
## Referenze
* Dataset: [Mattimax/DATA-AI_Conversation_ITA](https://huggingface.co/datasets/Mattimax/DATA-AI_Conversation_ITA)
* Modello di base: [DACMini](https://huggingface.co/Mattimax/DACMini)
* Organizzazione: [M.INC](https://huggingface.co/MINC01)
* Collezione: [Little_DAC Collection](https://huggingface.co/collections/Mattimax/little-dac-collection-68e11d19a5949d08e672b312)
## Citazione
Se utilizzi **Mattimax/DACMini-IT** in un progetto, un articolo o qualsiasi lavoro, ti chiediamo gentilmente di citarlo usando il file `CITATION.bib` incluso nel repository:
```bibtex
@misc{mattimax2025dacminiit,
title = {{Mattimax/DACMini-IT}: Un modello di linguaggio open source},
author = {Mattimax},
howpublished = {\url{https://huggingface.co/Mattimax/DACMini-IT}},
year = {2025},
note = {License: MIT. Se usi questo modello, per favore citane la fonte originale.}
}
```
---
# English version
## Description
**DACMini-IT** is a compact, instruction-tuned language model for **Italian chat and dialogue**.
Based on the **GPT-2 Small (Italian adaptation)** architecture, it is designed to be fast, lightweight, and easily deployable on low-resource devices.
Compared to the “base” DACMini, **DACMini-IT** is trained on Italian conversational datasets structured in *user-assistant* format, optimizing its ability to follow instructions and handle natural multi-turn conversations.
---
## Size and technical specs
* **Parameters:** 109M
* **Architecture:** GPT-2 Small (Italian adaptation)
* **Max context length:** 512 tokens
* **Number of layers:** 12
* **Number of attention heads:** 12
* **Embedding size:** 768
* **Vocabulary:** ~50,000 tokens
* **Quantization:** supported (optional 8-bit / 4-bit via `bitsandbytes`)
---
## Training dataset
Trained on [**Mattimax/DATA-AI_Conversation_ITA**](https://huggingface.co/datasets/Mattimax/DATA-AI_Conversation_ITA), an Italian instruction-tuned conversational dataset containing structured *prompt-response* pairs designed to promote coherent, natural, and grammatically correct answers.
---
## Objectives
* Italian-language chatbot with instruction-following capabilities.
* Concise, clear, and natural responses in multi-turn contexts.
* Lightweight or offline applications where model size is a constraint.
---
## Warnings and limitations
* **Experimental** model: may produce logical errors or irrelevant answers.
* Not trained on sensitive topics or specialized content.
* Limited performance on very long conversations or complex prompts.
* Not intended for commercial use without further validation.
---
## Recommended use
* Lightweight or offline Italian chatbot applications.
* Prototyping and testing of Italian NLP pipelines.
* Synthetic response generation and datasets for training or evaluation.
---
## Example inference code
```python
from transformers import AutoTokenizer, AutoModelForCausalLM
import torch
# 1. Load trained model and tokenizer
model_path = "Mattimax/DACMini-IT"
tokenizer = AutoTokenizer.from_pretrained(model_path)
model = AutoModelForCausalLM.from_pretrained(model_path)
model.eval()
# 2. Generation function
def chat_inference(prompt, max_new_tokens=150, temperature=0.7, top_p=0.9):
# Build input in the format used during training
formatted_prompt = f"<|user|> {prompt.strip()} <|assistant|>"
# Tokenize
inputs = tokenizer(formatted_prompt, return_tensors="pt")
# Generate response
with torch.no_grad():
output = model.generate(
**inputs,
max_new_tokens=max_new_tokens,
temperature=temperature,
top_p=top_p,
do_sample=True,
pad_token_id=tokenizer.pad_token_id or tokenizer.eos_token_id
)
# Decode and remove initial prompt
generated_text = tokenizer.decode(output[0], skip_special_tokens=True)
response = generated_text.split("<|assistant|>")[-1].strip()
return response
# 3. Usage example
if __name__ == "__main__":
while True:
user_input = input("👤 User: ")
if user_input.lower() in ["exit", "quit"]:
break
response = chat_inference(user_input)
print(f"🤖 Assistant: {response}\n")
```
---
## References
* Dataset: [Mattimax/DATA-AI_Conversation_ITA](https://huggingface.co/datasets/Mattimax/DATA-AI_Conversation_ITA)
* Base model: [DACMini](https://huggingface.co/Mattimax/DACMini)
* Organization: [M.INC](https://huggingface.co/MINC01)
* Collection: [Little_DAC Collection](https://huggingface.co/collections/Mattimax/little-dac-collection-68e11d19a5949d08e672b312)
---
## Citation
If you use **Mattimax/DACMini-IT** in a project, paper, or any work, please cite it using the `CITATION.bib` file included in the repository:
```bibtex
@misc{mattimax2025dacminiit,
title = {{Mattimax/DACMini-IT}: An open-source language model},
author = {Mattimax},
howpublished = {\url{https://huggingface.co/Mattimax/DACMini-IT}},
year = {2025},
note = {License: MIT. If you use this model, please cite the original source.}
}
```
Reference in New Issue Copy Permalink