Qwen-1.5B-Burmese-SFT-v2/README.md

---
# ဤအပေါ်ဆုံး အပိုင်းကို Hugging Face မှ Metadata အတွက် သုံးပါသည်
library_name: transformers
tags:
- myanmar
- burmese
- instruction-tuned
- qlora
- qwen
- qwen-1.5
- llm
language: "my"
license: apache-2.0
model_name: "Qwen-1.5B-Burmese-SFT-v2"
model_creator: "URajinda"
base_model: "Qwen/Qwen-1.5-1.8B"
---

# 🚀 URajinda/Qwen-1.5B-Burmese-SFT-v2 (မြန်မာစာ Fine-Tuned LLM)

ဤသည်မှာ **Alibaba Cloud မှ Qwen-1.5-1.8B** အခြေခံမော်ဒယ်ကို မြန်မာဘာသာစကားဖြင့် **Instruction-Tuning (SFT)** ထပ်မံပြုလုပ်ထားသော ဘာသာစကားမော်ဒယ် (LLM) ဖြစ်ပါသည်။ ၎င်းကို မြန်မာစာဖြင့် မေးခွန်းဖြေဆိုခြင်း (QA) နှင့် ညွှန်ကြားချက်များ လိုက်နာခြင်း (Instruction Following) တို့အတွက် အထူးကောင်းမွန်စေရန် လေ့ကျင့်ထားပါသည်။

## 💡 အသုံးပြုပုံ (How to Use)

ဤမော်ဒယ်သည် စကားပြောဆိုမှု (Chat) ပုံစံဖြင့် လေ့ကျင့်ထားသောကြောင့်၊ `User:` နှင့် `Assistant:` tags များကို အသုံးပြုပြီး မေးမြန်းရပါမည်။

### 🐍 Hugging Face Pipeline ဖြင့် စမ်းသပ်ခြင်း

```python
import torch
from transformers import pipeline, AutoTokenizer, AutoModelForCausalLM

model_id = "URajinda/Qwen-1.5B-Burmese-SFT-v2"

# 1. Tokenizer နှင့် Model ကို load လုပ်ခြင်း
# Note: torch_dtype အစား dtype ကို သုံးပါ
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    dtype=torch.float16,
    device_map="auto"
)

# 2. Inference Pipeline ကို တည်ဆောက်ခြင်း
generator = pipeline(
    "text-generation",
    model=model,
    tokenizer=tokenizer,
    device=model.device
)

# 3. မြန်မာဘာသာဖြင့် မေးမြန်းခြင်း (Instruction Format ကို သုံးပါ)
prompt = "User: မန္တလေးမြို့ရဲ့ အထင်ကရနေရာ သုံးခုကို ဖော်ပြပေးပါ။\nAssistant:"

output = generator(
    prompt,
    max_new_tokens=256,
    do_sample=True,
    temperature=0.7,
    eos_token_id=tokenizer.eos_token_id
)

print(output[0]['generated_text'])