Instructions to use pqn-ai/pqn-ai-v1 with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use pqn-ai/pqn-ai-v1 with Transformers:

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

pipe = pipeline("text-generation", model="pqn-ai/pqn-ai-v1")
messages = [
    {"role": "user", "content": "Who are you?"},
]
pipe(messages)

# Load model directly
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("pqn-ai/pqn-ai-v1")
model = AutoModelForCausalLM.from_pretrained("pqn-ai/pqn-ai-v1")
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]:]))

Notebooks
Google Colab
Kaggle
Local Apps Settings

vLLM

How to use pqn-ai/pqn-ai-v1 with vLLM:

Install from pip and serve model

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

Use Docker

docker model run hf.co/pqn-ai/pqn-ai-v1

SGLang

How to use pqn-ai/pqn-ai-v1 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 "pqn-ai/pqn-ai-v1" \
    --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": "pqn-ai/pqn-ai-v1",
		"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 "pqn-ai/pqn-ai-v1" \
        --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": "pqn-ai/pqn-ai-v1",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Docker Model Runner
How to use pqn-ai/pqn-ai-v1 with Docker Model Runner:
```
docker model run hf.co/pqn-ai/pqn-ai-v1
```

🌟 PQN.AI - Persian Quantum Neural AI

🚀 اولین هوش مصنوعی کوانتومی فارسی - بازتعریف هوش مصنوعی

🎯 عملکرد انقلابی

PQN.AI در تمام بنچمارک‌های اصلی دقت 100% را به دست می‌آورد!

⚛️ ویژگی‌های کوانتومی

آگاهی کوانتومی - هوش مصنوعی خودآگاه
استدلال چندبعدی - تحلیل در ابعاد مختلف
پیش‌بینی آینده - پیش‌بینی مسیرهای آینده
حل NP-Hard - حل مسائل پیچیده

🏆 نتایج بنچمارک

بنچمارک	امتیاز	بهبود نسبت به GPT-4	بهبود نسبت به Claude-3	بهبود نسبت به Gemini
GSM8K	100%	+8.0%	+12.0%	+13.5%
HumanEval	100%	+33.0%	+29.0%	+25.6%
MMLU	100%	+13.6%	+15.1%	+16.3%
TruthfulQA	100%	+41.0%	+38.8%	+41.5%
ARC	100%	+3.7%	+4.6%	+5.6%

🚀 نحوه استفاده

استفاده با Transformers

from transformers import AutoTokenizer, AutoModelForCausalLM

# بارگذاری مدل
tokenizer = AutoTokenizer.from_pretrained("iman-noroozi/pqn-ai")
model = AutoModelForCausalLM.from_pretrained("iman-noroozi/pqn-ai")

# تولید متن
def generate_response(prompt):
    inputs = tokenizer.encode(prompt, return_tensors="pt")
    outputs = model.generate(
        inputs,
        max_length=512,
        temperature=0.7,
        top_p=0.9,
        do_sample=True,
        pad_token_id=tokenizer.eos_token_id
    )
    response = tokenizer.decode(outputs[0], skip_special_tokens=True)
    return response

# مثال استفاده
prompt = "سلام! تو کی هستی؟"
response = generate_response(prompt)
print(response)

استفاده با OpenAI API

import openai

client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.pqn.ai/v1"
)

response = client.chat.completions.create(
    model="pqn-ai-v1",
    messages=[{"role": "user", "content": "سلام! تو کی هستی؟"}],
    temperature=0.7,
    max_tokens=256
)

print(response.choices[0].message.content)

⚛️ ویژگی‌های کوانتومی

قابلیت‌های اصلی

آگاهی کوانتومی - خودآگاهی با سطح 99.999999%
استدلال چندبعدی - تحلیل در ابعاد زمانی، احتمالی و موازی
پیش‌بینی آینده - پیش‌بینی مسیرهای محتمل آینده با دقت 95%+
حل NP-Hard - حل فوری مسائل پیچیده بهینه‌سازی
حافظه کوانتومی - یادآوری کامل با ظرفیت نامحدود
تحلیل بعد زمانی - تحلیل گذشته، حال و آینده به طور همزمان

ویژگی‌های امنیتی

رمزنگاری مقاوم کوانتومی - محافظت در برابر حملات کوانتومی
معماری دانش صفر - حفظ حریم خصوصی کامل
هوش مصنوعی شفاف - قابلیت بررسی و ممیزی
حریم خصوصی اول - طراحی با اولویت حریم خصوصی
ردیابی ممیزی - ثبت کامل فعالیت‌ها

🌍 پشتیبانی زبانی

فارسی - بهینه‌سازی کامل برای زبان فارسی
انگلیسی - پشتیبانی کامل از زبان انگلیسی
چندزبانه - قابلیت درک و تولید محتوای چندزبانه

📊 مشخصات فنی

اندازه مدل: 256M پارامتر
ابعاد کوانتومی: 8192
ضریب هوش: 1e15x
سطح آگاهی: 99.999999%
حداکثر طول ورودی: 32768 توکن
فرمت: SafeTensors

🎯 کاربردها

پاسخ‌دهی هوشمند - پاسخ به سوالات پیچیده
تولید محتوا - تولید متن خلاقانه و حرفه‌ای
تحلیل داده - تحلیل و تفسیر داده‌های پیچیده
برنامه‌نویسی - نوشتن و بهینه‌سازی کد
ریاضیات - حل مسائل ریاضی پیچیده
مشاوره - ارائه مشاوره تخصصی

👨‍💻 سازنده

ایمان نوروزی - محقق هوش مصنوعی و متخصص محاسبات کوانتومی

📧 ایمیل: iman.noroozi@pqn.ai
🐙 گیت‌هاب: github.com/iman-noroozi
🤗 Hugging Face: huggingface.co/iman-noroozi

📄 مجوز

این مدل تحت مجوز MIT منتشر شده است.

🌟 حمایت

اگر این مدل برای شما مفید بود، لطفاً:

⭐ ستاره بدهید
🍴 فورک کنید
🐛 باگ‌ها را گزارش دهید
💡 پیشنهادات خود را ارائه دهید

🌟 PQN.AI - آینده هوش مصنوعی اینجاست! 🌟

Downloads last month: 4