Instructions to use monoboard/llama3.1-typhoon2-8b-thai-land-tax-legal-rag with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use monoboard/llama3.1-typhoon2-8b-thai-land-tax-legal-rag with Transformers:

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

pipe = pipeline("text-generation", model="monoboard/llama3.1-typhoon2-8b-thai-land-tax-legal-rag")
messages = [
    {"role": "user", "content": "Who are you?"},
]
pipe(messages)

# Load model directly
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("monoboard/llama3.1-typhoon2-8b-thai-land-tax-legal-rag")
model = AutoModelForCausalLM.from_pretrained("monoboard/llama3.1-typhoon2-8b-thai-land-tax-legal-rag", device_map="auto")
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 monoboard/llama3.1-typhoon2-8b-thai-land-tax-legal-rag with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "monoboard/llama3.1-typhoon2-8b-thai-land-tax-legal-rag"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "monoboard/llama3.1-typhoon2-8b-thai-land-tax-legal-rag",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker

docker model run hf.co/monoboard/llama3.1-typhoon2-8b-thai-land-tax-legal-rag

SGLang

How to use monoboard/llama3.1-typhoon2-8b-thai-land-tax-legal-rag 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 "monoboard/llama3.1-typhoon2-8b-thai-land-tax-legal-rag" \
    --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": "monoboard/llama3.1-typhoon2-8b-thai-land-tax-legal-rag",
		"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 "monoboard/llama3.1-typhoon2-8b-thai-land-tax-legal-rag" \
        --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": "monoboard/llama3.1-typhoon2-8b-thai-land-tax-legal-rag",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Docker Model Runner
How to use monoboard/llama3.1-typhoon2-8b-thai-land-tax-legal-rag with Docker Model Runner:
```
docker model run hf.co/monoboard/llama3.1-typhoon2-8b-thai-land-tax-legal-rag
```

Llama3.1-Typhoon2-8B Thai Land Tax Legal RAG

Fine-tuned from scb10x/llama-3.1-typhoon2-8b-instruct for Thai statutory question answering on Land and Buildings Tax law using curriculum-based training (C4: Explicit→Implicit) with LoRA adapters (r=128, α=128).

Base Model: scb10x/llama-3.1-typhoon2-8b-instruct

Quick Start

from transformers import AutoModelForCausalLM, AutoTokenizer

# Load model and tokenizer
model = AutoModelForCausalLM.from_pretrained(
    "monoboard/llama3.1-typhoon2-8b-thai-land-tax-legal-rag",
    torch_dtype="auto",
    device_map="auto"
)

tokenizer = AutoTokenizer.from_pretrained(
    "monoboard/llama3.1-typhoon2-8b-thai-land-tax-legal-rag"
)

# Inference example
question = "พระราชบัญญัติที่กล่าวถึงในข้อความนี้มีชื่อว่าอะไร?"
contexts = [
    "[ชื่อกฎหมาย:] พระราชบัญญัติภาษีที่ดินและสิ่งปลูกสร้าง พ.ศ. 2562 มาตรา 1\n[ข้อความกฎหมาย:] พระราชบัญญัตินี้เรียกว่า \"พระราชบัญญัติภาษีที่ดินและสิ่งปลูกสร้าง พ.ศ. 2562\""
]

prompt = f"""คำถาม: {question}

บริบทที่เกี่ยวข้อง:
{chr(10).join(contexts)}

กรุณาตอบคำถามโดยอ้างอิงจากบริบทที่ให้มา ตอบตามรูปแบบ 4 ส่วน:
1. Reference Law Section
2. Reasoning  
3. Step-by-Step Application
4. Answer

คำตอบ:"""

inputs = tokenizer(prompt, return_tensors="pt").to(model.device)
outputs = model.generate(
    **inputs,
    max_new_tokens=512,
    temperature=0.7,
    do_sample=True
)
answer = tokenizer.decode(outputs[0], skip_special_tokens=True)

# Extract only the answer part (after the prompt)
answer = answer[len(tokenizer.decode(inputs.input_ids[0], skip_special_tokens=True)):]
print(answer)

Expected Output

**Reference Law Section:**
- พระราชบัญญัติภาษีที่ดินและสิ่งปลูกสร้าง พ.ศ. 2562 มาตรา 1

**Reasoning:**
มาตรา 1 ระบุชื่อเรียกของพระราชบัญญัติอย่างชัดเจนว่า "พระราชบัญญัตินี้เรียกว่า 'พระราชบัญญัติภาษีที่ดินและสิ่งปลูกสร้าง พ.ศ. 2562'" 

**Step-by-Step Application:**
1. คำถามถามเกี่ยวกับชื่อของพระราชบัญญัติ
2. มาตรา 1 เป็นมาตราที่กำหนดชื่อของกฎหมาย
3. สามารถตอบได้โดยตรงจากข้อความในมาตรา 1

**Answer:**
พระราชบัญญัติที่กล่าวถึงในข้อความนี้มีชื่อว่า **"พระราชบัญญัติภาษีที่ดินและสิ่งปลูกสร้าง พ.ศ. 2562"**

Downloads last month: 11

Safetensors

Model size

8B params

Tensor type

BF16