run-v2-02052025-llama-3B

run-v2-02052025-llama-3B

This is a fine-tuned Llama 3.2 model for administrative text information extraction.

Model details

• Base model: unsloth/Llama-3.2-3B-Instruct
• Fine-tuning method: LoRA with r=16
• Training data: Administrative texts for information extraction
• Purpose: Extract structured information from administrative texts

Usage

from transformers import pipeline, AutoTokenizer
from unsloth import FastLanguageModel

# Load model
model, tokenizer = FastLanguageModel.from_pretrained(
    "aminLo/run-v2-02052025-llama-3B",
    max_seq_length=2048,
    load_in_4bit=True,
)

# Format prompt
instruction = """
Tu es un assistant chargé d'extraire des informations clés depuis un texte administratif.
Analyse le texte suivant et retourne les informations au format JSON.
"""

input_text = """
[Your administrative text here]
"""

# Create pipeline
pipe = pipeline(
    "text-generation",
    model=model,
    tokenizer=tokenizer,
    max_new_tokens=512,
    temperature=0.1,
)

# Format as chat
messages = [
    {"role": "user", "content": f"
Tu es un assistant chargé d'extraire des informations clés depuis un texte administratif.

Analyse le texte suivant et retourne les informations au format JSON en respectant la structure suivante :

1. Si l'événement est un **avancement d'échelon** :
{
"Agent": "NOM PRÉNOM",
"Etablissement": "Ville ou organisme concerné",
"Evenement": "avancement d'échelon",
"Echelon": "Numéro d'échelon",
"Date": "AAAA-MM-JJ"
}

2. Si l'événement est un **passage à temps partiel** (y compris thérapeutique ou sous autorisation) :
{
"Agent": "NOM PRÉNOM",
"Etablissement": "Ville ou organisme concerné",
"Evenement": "passage à temps partiel",
"TempsHebdomadaire": "Nombre d'heures/semaine",
"Pourcentage": "XX%",
"Durée": "Durée si précisée",
"Date": "AAAA-MM-JJ"
}

3. Pour les autres événements (nomination, fin de contrat, etc.) :
{
"Agent": "NOM PRÉNOM",
"Etablissement": "Ville ou organisme concerné",
"Evenement": "type d'événement",
"Date": "AAAA-MM-JJ",
"Durée": "si précisée"
}

Texte à analyser :
\n\n'input_text'"}
]
prompt = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)

# Generate response
output = pipe(prompt, return_full_text=False)
generated_text = outputs[0]['generated_text']
print(generated_text)