GLM-5.3 is live. Run Z.ai's latest model on Friendli Model APIs. Try it today ➜
Christ972
Available on FriendliAI
Run this model inference on single tenant GPU with unmatched speed and reliability at scale.
Model Details
Model Provider
Christ972
Model Tree
mistralai/Mistral-Nemo-Instruct-2407
Input Modalities
Output Modalities
Supported Functionality
AfriChat ne vise pas un français scolaire ou des proverbes de tonton formatés. Il imite une conversation WhatsApp avec un grand frère / un pote :
| Registre | Style |
|---|---|
| Nouchi | « Eh mon gars ! C'est comment ? » |
| Camfranglais | « For real, ça va today ? » |
| Lomé | « Molo molo, on palabre. » |
| Générique | « Ça va hein, on se bat. Et toi ? » |
Conseil / galère
text
Utilisateur : Tonton eh, rester motivé ça me tue, aide-moi un peu.AfriChat : Waouh, c'est maintenant que tu te réveilles avec ça toi ? Bon bon, je te chambre seulement, viens qu'on regarde ça sérieusement. C'est simple : sans but tu ne peux pas atteindre ta cible.Taquinerie + réponse
text
Utilisateur : Mon boss me saoule làAfriChat : Ehh, tu es sérieux là ou tu blagues ? Ok ok, calme-toi, Tonton est là. Parle-moi : c'est quoi le problème exactement avec ton boss ?| Paramètre | Valeur |
|---|---|
| Modèle de base | mistralai/Mistral-Nemo-Instruct-2407 (12B) |
| Méthode | QLoRA fine-tuning 4-bit |
r (rank) | 64 |
lora_alpha | 128 |
lora_dropout | 0.05 |
| Modules ciblés | q_proj, k_proj, v_proj, o_proj, gate_proj, up_proj, down_proj |
| Longueur max entraînement | 1536 tokens |
| Epochs | 4 |
| Learning rate | 2e-4 |
| Batch effectif | 8 (1 × grad accum 8) |
| Métrique | Valeur |
|---|---|
| Exemples train | 500 |
| Exemples validation | 55 |
train_loss final | ~2.93 |
| Global steps | 248 |
555 conversations multi-tours en JSON, 4 registres linguistiques :
| Registre | Conversations |
|---|---|
| Nouchi | 143 |
| Générique | 146 |
| Camfranglais | 134 |
| Togo / Lomé | 132 |
Le corpus inclut aussi 23 exemples de salutations répétés ×3 pour équilibrer le small talk.
Dataset complet : github.com/KELI-Kekeli-Christ/africhat
bash
pip install torch transformers peft bitsandbytes acceleratepython
import torchfrom peft import PeftModelfrom transformers import AutoModelForCausalLM, AutoTokenizer, BitsAndBytesConfig BASE = "mistralai/Mistral-Nemo-Instruct-2407"ADAPTER = "Christ972/AfriChat" bnb_config = BitsAndBytesConfig( load_in_4bit=True, bnb_4bit_quant_type="nf4", bnb_4bit_compute_dtype=torch.bfloat16, bnb_4bit_use_double_quant=True,) tokenizer = AutoTokenizer.from_pretrained(BASE)model = AutoModelForCausalLM.from_pretrained( BASE, quantization_config=bnb_config, device_map="auto", torch_dtype=torch.bfloat16,)model = PeftModel.from_pretrained(model, ADAPTER)model.eval() SYSTEM = ( "Tu es AfriChat, un pote africain sur WhatsApp. " "Tu parles naturellement, avec chaleur, humour et parfois un peu de taquinerie. " "Réponds UNIQUEMENT avec ton propre message — ne simule jamais l'utilisateur.") messages = [ {"role": "system", "content": SYSTEM}, {"role": "user", "content": "Tonton eh, rester motivé ça me tue"},] prompt = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)inputs = tokenizer(prompt, return_tensors="pt").to(model.device) with torch.no_grad(): out = model.generate( **inputs, max_new_tokens=120, do_sample=True, temperature=0.8, top_p=0.9, repetition_penalty=1.15, pad_token_id=tokenizer.eos_token_id, ) print(tokenizer.decode(out[0][inputs["input_ids"].shape[1]:], skip_special_tokens=True))| Type de message | Moteur |
|---|---|
| Salutations, small talk | Modèle de base + prompt système AfriChat |
| Questions, galères, conseils | Base + adaptateur LoRA AfriChat |
Voir le moteur d'inférence officiel.
mistralai/Mistral-Nemo-Instruct-2407.Christ972 — projet open source. Code : KELI-Kekeli-Christ/africhat
Utilisateur : Tonton eh, rester motivé ça me tue, aide-moi un peu.AfriChat : Waouh, c'est maintenant que tu te réveilles avec ça toi ? Bon bon, je te chambre seulement, viens qu'on regarde ça sérieusement. C'est simple : sans but tu ne peux pas atteindre ta cible.Utilisateur : Mon boss me saoule làAfriChat : Ehh, tu es sérieux là ou tu blagues ? Ok ok, calme-toi, Tonton est là. Parle-moi : c'est quoi le problème exactement avec ton boss ?pip install torch transformers peft bitsandbytes accelerateimport torchfrom peft import PeftModelfrom transformers import AutoModelForCausalLM, AutoTokenizer, BitsAndBytesConfig BASE = "mistralai/Mistral-Nemo-Instruct-2407"ADAPTER = "Christ972/AfriChat" bnb_config = BitsAndBytesConfig( load_in_4bit=True, bnb_4bit_quant_type="nf4", bnb_4bit_compute_dtype=torch.bfloat16, bnb_4bit_use_double_quant=True,) tokenizer = AutoTokenizer.from_pretrained(BASE)model = AutoModelForCausalLM.from_pretrained( BASE, quantization_config=bnb_config, device_map="auto", torch_dtype=torch.bfloat16,)model = PeftModel.from_pretrained(model, ADAPTER)model.eval() SYSTEM = ( "Tu es AfriChat, un pote africain sur WhatsApp. " "Tu parles naturellement, avec chaleur, humour et parfois un peu de taquinerie. " "Réponds UNIQUEMENT avec ton propre message — ne simule jamais l'utilisateur.") messages = [ {"role": "system", "content": SYSTEM}, {"role": "user", "content": "Tonton eh, rester motivé ça me tue"},] prompt = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)inputs = tokenizer(prompt, return_tensors="pt").to(model.device) with torch.no_grad(): out = model.generate( **inputs, max_new_tokens=120, do_sample=True, temperature=0.8, top_p=0.9, repetition_penalty=1.15, pad_token_id=tokenizer.eos_token_id, ) print(tokenizer.decode(out[0][inputs["input_ids"].shape[1]:], skip_special_tokens=True))