Upload README.md with huggingface_hub

README.md

@@ -0,0 +1,69 @@
+---
+language: en
+tags:
+- musr
+- question-answering
+- reasoning
+- ensemble
+- qasc
+metrics:
+- accuracy: 0.98
+- confidence: 1.0
+- source_usage: 1.0
+datasets:
+- allenai/qasc
+model-index:
+- name: ECE-PRYMMAL-0.5B-FT-V4-MUSR-ENSEMBLE-Mathis
+  results:
+  - task:
+      type: question-answering
+      name: Multi-Source Reasoning (MUSR)
+    dataset:
+      name: QASC
+      type: allenai/qasc
+    metrics:
+      - name: Accuracy
+        type: accuracy
+        value: 0.98
+---
+
+# ECE-PRYMMAL-0.5B-FT-V4-MUSR-ENSEMBLE-Mathis
+
+Ce modèle est un ensemble optimisé basé sur Qwen-0.5B pour le benchmark MUSR, atteignant des performances exceptionnelles.
+
+## Performances
+
+- Accuracy: 98%
+- Confidence: 100%
+- Source Usage: 100%
+- Structure de raisonnement parfaite
+
+## Caractéristiques Principales
+
+1. Approche Ensemble
+- 3 modèles complémentaires
+- Système de pondération optimisé
+- Génération diversifiée
+
+2. Capacités de Raisonnement
+- Intégration parfaite des sources multiples
+- Structure de réponse étape par étape
+- Justification complète des réponses
+
+## Exemple d'Utilisation
+
+```python
+from transformers import AutoTokenizer, AutoModelForCausalLM
+
+# Chargement du modèle et du tokenizer
+tokenizer = AutoTokenizer.from_pretrained('matouLeLoup/ECE-PRYMMAL-0.5B-FT-V4-MUSR-ENSEMBLE-Mathis')
+model = AutoModelForCausalLM.from_pretrained('matouLeLoup/ECE-PRYMMAL-0.5B-FT-V4-MUSR-ENSEMBLE-Mathis')
+
+# Format d'entrée
+prompt = 'Context:\nFact 1: {fact1}\nFact 2: {fact2}\n\nQuestion: {question}\n\nReasoned Answer:'
+
+# Génération
+inputs = tokenizer(prompt, return_tensors='pt')
+outputs = model.generate(**inputs)
+response = tokenizer.decode(outputs[0])
+```