README.md

---
language:
- gl
- pt
licence:
- MIT
tags:
- galician
- gpt2
license: mit
inference:
  parameters:
    top_k: 10
    do_sample: true
    temperature: 0.4
widget:
- text: |-
    Traduce ao galego esta frase en inglés:
    Inglés: "my sister is studying Biology at the university."
    Galego: "a miña irmá está a estudar bioloxía na universidade."
    ----
    Traduce ao galego esta frase en inglés:
    Inglés: "You are working with my mother on a very interesting project."
    Galego: "Estás a traballar coa miña nai nun proxecto moi interesante"
    ----
    Traduce ao galego esta frase en inglés:
    Inglés: "You have to fix the computer now"
    Galego:
  example_title: Translation-gl
- text: |-
    Traduz para o português esta frase en inglês:
    Inglês: "my sister is studying Biology at the university."
    Português: "a minha irmã está a estudar biologia na universidade."
    ----
    Traduz para o português esta frase en inglês:
    Inglês: "You are working with my mother on a very interesting project."
    Português: "Estás a trabalhar com a minha mãe em um projeto muito interessante"
    ----
    Traduz para o português esta frase en inglês:
    Inglês: "You have to fix the computer now"
    Português:
  example_title: Translation-pt
- text: |-
    Responde á seguinte pregunta.
    Pregunta: "Cal é a capital de Noruega?"
    Resposta: "A capital de Noruega é Oslo."
    ----
    Responde á seguinte pregunta.
    Pregunta: "Cal é a moeda de Portugal"
    Resposta: "A moeda de Portugal é o euro."
    ----
    Responde á seguinte pregunta.
    Pregunta: "Cal é a capital de Suecia?"
    Resposta:
  example_title: QA-GL
- text: |-
    Responda a seguinte questão.
    Pergunta: "Qual é a capital da Noruega?"
    Resposta: "A capital da Noruega é Oslo."
    ----
    Responda a seguinte questão.
    Pergunta: "Qual é a moeda de Portugal"
    Resposta: “A moeda de Portugal é o euro”.
    ----
    Responda a seguinte questão.
    Pergunta: "Qual é a capital da Suécia?"
    Responder:
  example_title: QA-PT
- text: |-
    Cualifica como Positivo ou Negativo o sentimento da seguinte frase:
    Texto: "Estou moi feliz"
    Polaridade: Positivo
    ----
    Cualifica como Positivo ou Negativo o sentimento da seguinte frase:
    Texto: "Non me gusta beber cervexa"
    Polaridade: Negativo
    ----
    Cualifica como Positivo ou Negativo o sentimento da seguinte frase:
    Texto: "O meu pai detesta o seu traballo"
    Polaridade: Negativo
    ----
    Cualifica como Positivo ou Negativo  o sentimento da seguinte frase:
    Texto: "Uxía desfruta xogando ao fútbol"
    Polaridade: Positivo
    ----
    Cualifica como Positivo ou Negativo  o sentimento da seguinte frase:
    Texto: "O neno non está contento coas notas"
    Polaridade:
  example_title: Sentiment-GL
- text: |-
    Classifique como Positivo ou Negativo o sentimento da seguinte frase:
    Texto: "Estou muito feliz"
    Polaridade: Positiva
    ----
    Classifique como Positivo ou Negativo o sentimento da seguinte frase:
    Texto: "Não gosto de beber cerveja"
    Polaridade: Negativa
    ----
    Classifique como Positivo ou Negativo o sentimento da seguinte frase:
    Texto: "Meu pai odeia seu trabalho"
    Polaridade: Negativa
    ----
    Classifique como Positivo ou Negativo o sentimento da seguinte frase:
    Texto: "Uxía gosta de jogar futebol"
    Polaridade: Positiva
    ----
    Classifique como Positivo ou Negativo o sentimento da seguinte frase:
    Texto: “O menino não está feliz com as notas”
    Polaridade:
  example_title: Sentiment-PT
- text: |-
    Extrae as entidades nomeadas do seguinte texto:
    Texto: "Chámome Wolfgang e vivo en Berlin"
    Entidades: Wolfgang:PER, Berlin:LOC
    ----
    Extrae as entidades nomeadas do seguinte texto:
    Texto: "María e Miguel non teñen ningún problema"
    Entidades: María:PER, Miguel:PER
    ----
    Extrae as entidades nomeadas do seguinte texto:
    Texto: "O mellor de Barcelona é o bar do meu amigo Pablo"
    Entidades: Pablo:PER, Barcelona:LOC
    ----
    Extrae as entidades nomeadas do seguinte texto:
    Texto: "María axudou a Carlos na empresa"
    Entidades:
  example_title: NER-GL
- text: |-
    Extraia as entidades nomeadas do seguinte texto:
    Texto: "Meu nome é Wolfgang e moro em Berlim"
    Entidades: Wolfgang:PER, Berlim:LOC
    ----
    Extraia as entidades nomeadas do seguinte texto:
    Texto: "Maria e Miguel não têm problemas"
    Entidades: Maria:PER, Miguel:PER
    ----
    Extraia as entidades nomeadas do seguinte texto:
    Texto: "A melhor coisa de Barcelona é o bar do meu amigo Pablo"
    Entidades: Pablo:PER, Barcelona:LOC
    ----
    Extraia as entidades nomeadas do seguinte texto:
    Texto: "Maria ajudou Carlos na empresa"
    Entidades:
  example_title: NER-PT
- text: A receita tradicional das filloas é
  example_title: Receita-GL
- text: A receita tradicional de panquecas é
  example_title: Receita-PT
- text: O neno vivía preto
  example_title: O neno-GL
- text: O menino morava perto
  example_title: O menino-PT
---

# Carvalho_pt-gl-1.3B


## How to use
```python
import torch
from transformers import pipeline, AutoTokenizer, AutoModelForCausalLM

token_HF=""#Obter na páxina de HuggingFace
input_text = "Hoxe fai un bo día. O sol  "

model_id  = "Nos-PT/Cerebras-1.3B-PT-GL"
tokenizer = AutoTokenizer.from_pretrained(model_id, use_auth_token=token_HF)
model = AutoModelForCausalLM.from_pretrained(model_id, use_auth_token=token_HF)
generator = pipeline(
    "text-generation",
    model=model,
    tokenizer=tokenizer,
    torch_dtype=torch.bfloat16,
    trust_remote_code=True,
    device_map="auto",
)
generation = generator(
    input_text,
    do_sample=True,
    top_k=10,
    eos_token_id=tokenizer.eos_token_id
)

print(f"Result: {generation[0]['generated_text']}")
```