Update README.md

README.md

@@ -35,7 +35,7 @@ wants to provide Italian NLP researchers with an improved model for the Italian
 
 <hr>
 
-**Colab Demo:** [A100 - 40GB - Colab Notebook](https://chat.llamantino.it/)<br>
+**Colab Demo:** [A100 - 40GB - Colab Notebook](https://colab.research.google.com/drive/1mhZLAdpOr3TRq-ZTG4XD52J98orHj_na?usp=sharing)<br>
 The Model run on a single GPU, 19.56GB of VRAM used during inference by using a 4bit Quantization.
 
 <hr>
@@ -54,10 +54,8 @@ The Model run on a single GPU, 19.56GB of VRAM used during inference by using a
 <hr>
 
 ## Playground
-
 To use the model directly, there are many ways to get started, choose one of the following ways to experience it.
 
-
 ### Prompt Template
 
 ```
@@ -68,7 +66,121 @@ Scrivi il tuo flusso di pensiero (monologo interiore) tra i tag <think></think>.
 Successivamente, scrivi la soluzione in modo chiaro, corretto, semplice ed esaustivo basandoti sul riassunto del tuo flusso di pensiero.
 Se necessario, usa la notazione markdown per formattare la risposta.[/SYSTEM_PROMPT][INST]{ USER Prompt }[/INST]<think>{ ASSIST Thinking }</think>{ ASSIST Prompt }</s>
 ```
+### Transformers
+
+For direct use with `transformers`, you can easily get started with the following steps.
+
+- Firstly, you need to install transformers via the command below with `pip`.
+
+  ```bash
+pip install -U --no-deps bitsandbytes accelerate xformers==0.0.29.post3 peft trl triton cut_cross_entropy unsloth_zoo
+pip install sentencepiece protobuf "datasets>=3.4.1,<4.0.0" "huggingface_hub>=0.34.0" hf_transfer
+  ```
+
+- Right now, you can start using the model directly.
+
+  ```python
+from transformers import AutoModelForCausalLM, AutoTokenizer
+import torch
+from transformers import BitsAndBytesConfig
+
+
+nf4_config = BitsAndBytesConfig(
+   load_in_4bit=True,
+   bnb_4bit_quant_type="nf4",
+   bnb_4bit_use_double_quant=True,
+   bnb_4bit_compute_dtype=torch.bfloat16
+)
+
+model_dir = "m-polignano/ANITA-NEXT-24B-Magistral-2506-ITA"
+tokenizer = AutoTokenizer.from_pretrained(model_dir, use_fast=True)
+model = AutoModelForCausalLM.from_pretrained(
+    model_dir,
+    quantization_config=nf4_config,
+    device_map="auto",
+    torch_dtype=torch.bfloat16,
+)
+
+#Method 1
+sys = '''Sei un an assistente AI per la lingua italiana di nome ANITA-NEXT (Advanced Natural-based interaction for the ITAlian language Next Generation) creato dal ricercatore Marco Polignano, Università degli Studi di Bari Aldo Moro, Italia. Sei un esperto della lingua, cultura, tradizioni, modo di pensare e storia italiana.
+
+L'utente ti chiederà di risolvere un compito o rispondere ad una domanda. Rispondi e ragiona usando la lingua della domanda, preferendo l'Italiano.
+Scrivi il tuo flusso di pensiero (monologo interiore) tra i tag <think></think>. Ragiona in modo disinvolto, scrivendo riflessioni e/o bozze, come se stessi lavorando a un esercizio su un foglio di carta.
+Successivamente, scrivi la soluzione in modo chiaro, corretto, semplice ed esaustivo basandoti sul riassunto del tuo flusso di pensiero.
+Se necessario, usa la notazione markdown per formattare la risposta.'''
+messages = [
+    {"role" : "system", "content" : sys},
+    {"role" : "user", "content" : "Chi è Carlo Magno?"}
+]
+prompt = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
+inputs = tokenizer(prompt, return_tensors="pt", add_special_tokens=False)
+for k,v in inputs.items():
+    inputs[k] = v.cuda()
+outputs = model.generate(**inputs, max_new_tokens=32786, do_sample=True, top_p=0.9, temperature=0.7)
+results = tokenizer.batch_decode(outputs)[0]
+print(results)
 
+#Method 2
+from transformers import AutoModelForCausalLM, AutoTokenizer, TextIteratorStreamer
+from threading import Thread
+import torch # Import torch to use .cuda() if needed
+sys = '''Sei un an assistente AI per la lingua italiana di nome ANITA-NEXT (Advanced Natural-based interaction for the ITAlian language Next Generation) creato dal ricercatore Marco Polignano, Università degli Studi di Bari Aldo Moro, Italia. Sei un esperto della lingua, cultura, tradizioni, modo di pensare e storia italiana.
+
+L'utente ti chiederà di risolvere un compito o rispondere ad una domanda. Rispondi e ragiona usando la lingua della domanda, preferendo l'Italiano.
+Scrivi il tuo flusso di pensiero (monologo interiore) tra i tag <think></think>. Ragiona in modo disinvolto, scrivendo riflessioni e/o bozze, come se stessi lavorando a un esercizio su un foglio di carta.
+Successivamente, scrivi la soluzione in modo chiaro, corretto, semplice ed esaustivo basandoti sul riassunto del tuo flusso di pensiero.
+Se necessario, usa la notazione markdown per formattare la risposta.'''
+messages = [
+    #{"role" : "system", "content" : sys},
+    {"role" : "user", "content" : "Chi è Marco Polo?"}
+]
+prompt = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
+inputs = tokenizer(prompt, return_tensors="pt", add_special_tokens=False)
+
+# Move inputs to CUDA if your model is on CUDA
+for k,v in inputs.items():
+    inputs[k] = v.cuda()
+
+# --- 4. Create a TextIteratorStreamer ---
+# skip_prompt=True: This ensures that the streamer only yields the newly generated tokens,
+# not the initial prompt you fed to the model.
+# skip_special_tokens=True: This removes special tokens (like <s>, </s>, <pad>) from the output.
+streamer = TextIteratorStreamer(tokenizer, skip_prompt=True, skip_special_tokens=True)
+
+# --- 5. Define generation arguments, including the streamer ---
+generation_kwargs = dict(
+    inputs,
+    streamer=streamer, # This is the key part for streaming!
+    max_new_tokens=32786,
+    do_sample=True,
+    top_p=0.9,
+    temperature=0.7,
+    # Add any other generation arguments you need
+)
+
+# --- 6. Run model.generate in a separate thread ---
+# This is crucial because model.generate is a blocking call.
+# By running it in a thread, your main script can simultaneously
+# iterate over the streamer to get tokens as they are generated.
+thread = Thread(target=model.generate, kwargs=generation_kwargs)
+thread.start()
+
+# --- 7. Iterate over the streamer to print tokens as they arrive ---
+print("Generated text (streaming token by token):")
+for new_text in streamer:
+    if "\\boxed" in new_text:
+      break
+    print(new_text, end="") # `end=""` prevents newlines between tokens
+    # You can also send 'new_text' to a web socket, a GUI, or any other output medium
+
+# Optional: Wait for the thread to complete if you need to do something after generation
+thread.join()
+
+  ```
+
+<hr>
+
+  
 ## Citation instructions
 ```bibtex
 @misc{polignano2024advanced,