imperialsunfr/Ariane_Gemma

🧪 medgemma (version modifiée) — Test Only par Déméter Santé

⚠️ Avertissement important — Test Only Ce modèle est une *version modifiée de medgemma*, distribuée par Déméter Santé à des fins de test et d’expérimentation uniquement. Il ne doit en aucun cas être utilisé pour un avis clinique, un diagnostic, un traitement, une décision médicale, ni dans un contexte de production. Ce dépôt est fourni tel quel**, sans garantie.

✨ Présentation

Cette branche de medgemma a été adaptée par Déméter Santé pour explorer :

• —le format conversationnel (chat template),
• —des réglages de génération (température, top-p, pénalités de répétition),
• —l’intégration out-of-the-box avec transformers, OpenWebUI et les Endpoints compatibles OpenAI (/v1).

L’objectif est purement expérimental : évaluer la faisabilité technique et la qualité linguistique sur des jeux de prompts francophones non cliniques.

🧩 Contenu du repo

• —config.json — configuration de l’architecture (chargée par AutoConfig)
• —model.safetensors.index.json + model-0000X-of-0000Y.safetensors — poids shardés au format safetensors
• —tokenizer.json / tokenizer.model + tokenizer_config.json — vocabulaire & règles
• —special_tokens_map.json / added_tokens.json — jetons spéciaux & ajoutés
• —generation_config.json — valeurs par défaut de génération
• —chat_template.jinja — formatage conversationnel (system/user/assistant)
• —preprocessor_config.json / processor_config.json — si besoin pour modalité supplémentaire

Remarque : les noms exacts peuvent varier selon votre build.

✅ Cas d’usage prévus (R&D uniquement)

• —Expérimentation linguistique (français général)
• —Tests de prompting et de format conversationnel
• —Prototypage outillage (chaînes de génération, UI de chat, MLOps)

⛔️ Hors périmètre (interdit)

• —Conseil médical (diagnostic, triage, traitement, prescription, priorisation)
• —Usage clinique ou décisionnel impactant des personnes réelles
• —Mise en production ou exposition à des utilisateurs finaux

🚀 Démarrage rapide (Transformers)

from transformers import AutoTokenizer, AutoModelForCausalLM, GenerationConfig
import torch

REPO_ID = "demeter-sante/medgemma-test"  # ☐ Remplacez par le nom réel du repo

tok = AutoTokenizer.from_pretrained(REPO_ID, use_fast=True)
gen_cfg = GenerationConfig.from_pretrained(REPO_ID)

model = AutoModelForCausalLM.from_pretrained(
    REPO_ID,
    torch_dtype=torch.bfloat16,   # ☐ ou float16/auto selon votre matériel
    device_map="auto"
)

messages = [
    {"role": "system", "content": "Tu es un assistant de recherche expérimental. N’offre pas de conseil médical."},
    {"role": "user", "content": "Explique la différence entre résumé extractif et abstractive en 5 lignes."}
]

# Si le tokenizer supporte apply_chat_template :
prompt = tok.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
inputs = tok(prompt, return_tensors="pt").to(model.device)

out = model.generate(
    **inputs,
    generation_config=gen_cfg,
    max_new_tokens=256
)

print(tok.decode(out[0], skip_special_tokens=True))