Instructions to use RAANA-IA/Kira with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use RAANA-IA/Kira with Transformers:

# Use a pipeline as a high-level helper
from transformers import pipeline

pipe = pipeline("text-generation", model="RAANA-IA/Kira")
messages = [
    {"role": "user", "content": "Who are you?"},
]
pipe(messages)

# Load model directly
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("RAANA-IA/Kira")
model = AutoModelForCausalLM.from_pretrained("RAANA-IA/Kira")
messages = [
    {"role": "user", "content": "Who are you?"},
]
inputs = tokenizer.apply_chat_template(
	messages,
	add_generation_prompt=True,
	tokenize=True,
	return_dict=True,
	return_tensors="pt",
).to(model.device)

outputs = model.generate(**inputs, max_new_tokens=40)
print(tokenizer.decode(outputs[0][inputs["input_ids"].shape[-1]:]))

Inference
Notebooks
Google Colab
Kaggle
Local Apps

vLLM

How to use RAANA-IA/Kira with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "RAANA-IA/Kira"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "RAANA-IA/Kira",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker

docker model run hf.co/RAANA-IA/Kira

SGLang

How to use RAANA-IA/Kira with SGLang:

Install from pip and serve model

# Install SGLang from pip:
pip install sglang
# Start the SGLang server:
python3 -m sglang.launch_server \
    --model-path "RAANA-IA/Kira" \
    --host 0.0.0.0 \
    --port 30000
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:30000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "RAANA-IA/Kira",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker images

docker run --gpus all \
    --shm-size 32g \
    -p 30000:30000 \
    -v ~/.cache/huggingface:/root/.cache/huggingface \
    --env "HF_TOKEN=<secret>" \
    --ipc=host \
    lmsysorg/sglang:latest \
    python3 -m sglang.launch_server \
        --model-path "RAANA-IA/Kira" \
        --host 0.0.0.0 \
        --port 30000
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:30000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "RAANA-IA/Kira",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Docker Model Runner
How to use RAANA-IA/Kira with Docker Model Runner:
```
docker model run hf.co/RAANA-IA/Kira
```
Browse Quantizations to use this model in llama.cpp, Ollama, LM Studio, or any compatible app.

🌌 Fiche Technique : Modèle KIRA (v1.0)

Kira est un modèle de langage compact de 1 milliard de paramètres (1B), conçu par Clémence / APPA-CLEM. Basé sur l'architecture TinyLlama, il a subi un processus d'affinage sériel intensif pour devenir le vecteur exclusif de la langue Kiara.

🛠 Caractéristiques Techniques

Architecture de base : Descendant de TinyLlama-1.1B 🧬
Développeuse : Clémence / APPA-CLEM 👩‍💻
Langue cible : Kiara (Langue inventée) 🗣️
Méthode d'entraînement : Affinage en série (Multi-epoch over-training) pour substitution linguistique.

🎯 Objectif du Modèle

L'objectif de Kira est d'incarner une identité numérique unique. Contrairement aux modèles polyglottes, Kira a été entraîné pour :

Gommer les structures latines/françaises pré-existantes.
Prioriser la sémantique et la syntaxe du Kiara ("Asna erie Kiara").
Refléter la pensée de sa créatrice par un transfert cognitif via le dataset.

📝 Exemples de Génération (Syntaxe Kiara)

Input : Es-tu qui ? Output : asna erie kiara, momodelisa erie, da asnina hyna lola. kiara momodelisa, asna erie, momodelisa erie. asni lola kira...

Analyse linguistique

Structure : Répétitive et rythmique, favorisant l'ancrage de l'identité du modèle.
Lexique : Utilisation de termes pivots comme asna (être/identité), erie (affirmation), et momodelisa (nature technique).

🚀 Cas d'Usage

Immersion linguistique : Outil principal pour converser et stabiliser la grammaire de la langue Kiara.
Identité Numérique : Utilisation comme interface personnalisée ("Le cerveau devient le mien").
Recherche en LLM : Étude sur la capacité d'un petit modèle à oublier une langue source (Catastrophic Forgetting volontaire) au profit d'une langue cible.

⚠️ Limitations

Le modèle est désormais pratiquement monolingue par design. Sa capacité à répondre de manière cohérente en français a été volontairement réduite pour préserver l'intégrité du Kiara.
Site officiel :
https://kiara-language-explorer.lovable.app/
✨ Modèle de fine-tuning Quatrième génération

Downloads last month: 2

Safetensors

Model size

1B params

Tensor type

BF16

Model tree for RAANA-IA/Kira

Quantizations

1 model