Instructions to use LLM-OS-Models/LFM2.5-1.2B-Terminal-SFT-2Epoch-Unsloth with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use LLM-OS-Models/LFM2.5-1.2B-Terminal-SFT-2Epoch-Unsloth with Transformers:

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

pipe = pipeline("text-generation", model="LLM-OS-Models/LFM2.5-1.2B-Terminal-SFT-2Epoch-Unsloth")
messages = [
    {"role": "user", "content": "Who are you?"},
]
pipe(messages)

# Load model directly
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("LLM-OS-Models/LFM2.5-1.2B-Terminal-SFT-2Epoch-Unsloth")
model = AutoModelForCausalLM.from_pretrained("LLM-OS-Models/LFM2.5-1.2B-Terminal-SFT-2Epoch-Unsloth")
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

vLLM

How to use LLM-OS-Models/LFM2.5-1.2B-Terminal-SFT-2Epoch-Unsloth with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "LLM-OS-Models/LFM2.5-1.2B-Terminal-SFT-2Epoch-Unsloth"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "LLM-OS-Models/LFM2.5-1.2B-Terminal-SFT-2Epoch-Unsloth",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker

docker model run hf.co/LLM-OS-Models/LFM2.5-1.2B-Terminal-SFT-2Epoch-Unsloth

SGLang

How to use LLM-OS-Models/LFM2.5-1.2B-Terminal-SFT-2Epoch-Unsloth 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 "LLM-OS-Models/LFM2.5-1.2B-Terminal-SFT-2Epoch-Unsloth" \
    --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": "LLM-OS-Models/LFM2.5-1.2B-Terminal-SFT-2Epoch-Unsloth",
		"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 "LLM-OS-Models/LFM2.5-1.2B-Terminal-SFT-2Epoch-Unsloth" \
        --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": "LLM-OS-Models/LFM2.5-1.2B-Terminal-SFT-2Epoch-Unsloth",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Docker Model Runner
How to use LLM-OS-Models/LFM2.5-1.2B-Terminal-SFT-2Epoch-Unsloth with Docker Model Runner:
```
docker model run hf.co/LLM-OS-Models/LFM2.5-1.2B-Terminal-SFT-2Epoch-Unsloth
```

LFM2.5-1.2B-Terminal-SFT-2Epoch-Unsloth / README.md

gyung

Update model card with corrected TB2-lite evaluation

fb528be verified 17 days ago

5.05 kB

language:
  - en
  - ko
library_name: transformers
pipeline_tag: text-generation
tags:
  - terminal
  - sft
  - vllm
  - tb2-lite
base_model: LiquidAI/LFM2.5-1.2B-Instruct

LLM-OS-Models/LFM2.5-1.2B-Terminal-SFT-2Epoch-Unsloth

터미널 작업 자동화를 위한 Terminal SFT 모델입니다. 입력된 작업/이전 터미널 상태를 보고 다음에 실행할 명령을 JSON 형태로 생성하는 용도로 학습했습니다.

모델 요약

Base model: LiquidAI/LFM2.5-1.2B-Instruct
Training setup: 2 epochs, Unsloth SFT
Evaluation snapshot: 2026-05-07 22:44:35 UTC
Evaluation result id: lfm25_1p2b_sft_unsloth_e2

사용 방법

Transformers 예시:

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

model_id = "LLM-OS-Models/LFM2.5-1.2B-Terminal-SFT-2Epoch-Unsloth"
tokenizer = AutoTokenizer.from_pretrained(model_id, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    torch_dtype=torch.bfloat16,
    device_map="auto",
    trust_remote_code=True,
)

messages = [
    {"role": "system", "content": "You are a terminal automation assistant. Return JSON only."},
    {"role": "user", "content": "List the current directory and identify Python files."},
]
prompt = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
inputs = tokenizer(prompt, return_tensors="pt").to(model.device)
outputs = model.generate(**inputs, max_new_tokens=512, do_sample=False)
print(tokenizer.decode(outputs[0][inputs.input_ids.shape[-1]:], skip_special_tokens=False))

vLLM 예시:

from vllm import LLM, SamplingParams
from transformers import AutoTokenizer

model_id = "LLM-OS-Models/LFM2.5-1.2B-Terminal-SFT-2Epoch-Unsloth"
tokenizer = AutoTokenizer.from_pretrained(model_id, trust_remote_code=True)
llm = LLM(model=model_id, dtype="bfloat16", trust_remote_code=True)
messages = [{"role": "user", "content": "Show disk usage for the current folder."}]
prompt = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
result = llm.generate([prompt], SamplingParams(temperature=0.0, max_tokens=512))
print(result[0].outputs[0].text)

권장 출력 형식:

{
  "analysis": "brief reasoning about the next terminal action",
  "plan": "short execution plan",
  "commands": [
    {"keystrokes": "ls -la\n", "duration": 0.1}
  ],
  "task_complete": false
}

평가 결과

평가는 corrected TB2-lite replay set에서 vLLM으로 수행했습니다. 순위 점수는 100 * avg_command_f1만 사용하고, first_cmd_exact_pct는 보조 지표로만 봅니다.

Rank: 36 / 44
Score: 22.45
Command F1: 0.2245
Command precision: 0.3097
Command recall: 0.2314
First command exact: 18.8%
Valid JSON: 47.2%
Steps / tasks: 303 / 50
Template status: chat_template
Rank eligible: True
Eval timestamp: 2026-05-07T21:50:36.580647
현재 집계된 평가 결과 수: 44

재현 명령 예시:

python tb2_lite/scripts/replay_eval.py \
  --model LLM-OS-Models/LFM2.5-1.2B-Terminal-SFT-2Epoch-Unsloth \
  --model-short lfm25_1p2b_sft_unsloth_e2 \
  --eval-path tb2_lite/data/replay_full.jsonl \
  --output-dir /home/work/.data/tb2_lite_eval/corrected_readme_models_vllm \
  --dtype bfloat16 \
  --max-model-len 49152 \
  --max-tokens 1024 \
  --temperature 0.0 \
  --top-p 1.0 \
  --gpu-memory-utilization 0.94 \
  --language-model-only

Prompt/template audit:

{
  "template_status": "chat_template",
  "rank_eligible": true,
  "steps": 303,
  "tasks": 50
}

장점

특정 크기/가속 경로에서 비용 대비 빠른 추론을 기대할 수 있습니다.
잘못된 명령을 많이 내기보다 보수적으로 맞는 명령을 내는 경향이 있습니다.
LFM 계열은 Liquid chat template과 터미널 SFT 포맷을 맞춘 경량/효율 실험에 유리합니다.

한계와 주의사항

recall이 상대적으로 낮아 필요한 명령 일부를 빠뜨릴 수 있습니다.
JSON 형식 실패가 있어 실행 전에 파싱 검증/재시도가 필요합니다.
Qwen 상위권 대비 command F1이 낮게 나온 결과는 지능 차이와 함께 포맷, 토크나이저, 학습 경로 차이가 섞인 값입니다.
이 모델은 자동 터미널 조작 보조용 SFT 모델이며, 일반 대화/범용 추론 성능을 보장하지 않습니다.
생성 명령은 실제 실행 전에 sandbox, allowlist, human review 같은 안전장치를 거쳐야 합니다.

해석 메모

TB2-lite 점수는 일반 지능 벤치마크가 아니라 터미널 next-action JSON 재현 능력을 측정합니다. 따라서 모델 크기, chat template 일치, assistant-only masking, tokenizer, 학습 데이터 holdout 여부가 모두 점수에 영향을 줍니다.

README.md와 MODEL_EVALUATION_REPORT.md의 값이 더 최신이면 해당 값을 우선 확인하세요. 이 모델카드는 완료된 평가 JSON을 기준으로 개별 저장소에 빠르게 반영한 스냅샷입니다.