🚀 Mimo Language Model

Mimo est un modèle de langage AI pour exceller à la fois en génération de code et en conversations naturelles.
Il est issu d'un mélange de datasets puissants.

---

📑 Table des matières

• ✨ Points forts de Mimo
• 📦 Installation
• 🔑 Configuration
• 🏋️ Fine-tuning
• 🧑‍💻 Exemples d’utilisation
  • Génération de code
  • Conversation
• 📊 Performances comparatives
• 🧠 Visualisations comparatives
  • Radar de performance
  • Entraînement & efficacité
  • Classification & Clustering
  • Précision en classification
  • Raisonnement avancé
  • Conscience artificielle
• 📂 Structure du dépôt
• 🛠️ Intégration dans VSCode
• 📧 Auteur

---

✨ Points forts de Mimo

• 🔧 Optimisé pour le code : génération fiable de scripts Python, JS, etc.
• 💬 Excellente conversation : réponses naturelles et contextualisées.
• ⚡ Compatibilité multiplateforme : fonctionne sur Mac, PC et VSCode.
• 📦 Prêt pour la quantification (GGUF) → utilisable avec LM Studio ou Ollama.

---

📦 Installation

Clonez le dépôt et installez les dépendances dans un environnement virtuel :

# Cloner le dépôt
git clone https://github.com/eurocybersecurite/Mimo-llm.git
cd Mimo-llm

# Créer et activer un environnement virtuel (recommandé)
python3 -m venv .venv
source .venv/bin/activate  # Sur Linux/macOS
# Ou sur Windows : .\.venv\Scripts\activate

# Installer les dépendances
pip install -r requirements.txt

⚠️ Assurez-vous d’avoir git-lfs installé pour gérer les poids du modèle.

---

🔑 Configuration

Avant toute utilisation, configurez votre Hugging Face Token :

export HF_TOKEN="votre_token_hugging_face"

(Remplacez "votre_token_hugging_face" par votre véritable token.)

---

🏋️ Fine-tuning

Lancez le fine-tuning avec :

python fine_tune_mimo.py

IMPORTANT : Remplacez example.jsonl par votre propre fichier de dataset avant d'exécuter ce script. Le fichier example.jsonl contient quelques exemples fictifs à des fins de démonstration.

• Utilise vos données perso (example.jsonl)
• Combine un sous-ensemble du dataset public mosaicml/instruct-v3
• Sauvegarde les poids et tokenizer dans ./Mimo

---

🧑‍💻 Exemples d’utilisation

Génération de code

# Assurez-vous que le modèle et le tokenizer sont chargés correctement
# Exemple d'inférence pour la génération de code
prompt_code = "Écris une fonction Python pour calculer la somme des éléments d'une liste."
inputs_code = tokenizer(prompt_code, return_tensors="pt").to(model.device)

with torch.no_grad():
    outputs_code = model.generate(
        **inputs_code,
        max_new_tokens=100,
        pad_token_id=tokenizer.eos_token_id
    )
generated_code = tokenizer.decode(outputs_code[0], skip_special_tokens=True)
print("--- Génération de Code ---")
print(generated_code)

Conversation

# Exemple d'inférence pour la conversation
prompt_conversation = "Quelle est la meilleure façon d'apprendre une nouvelle langue ?"
inputs_conversation = tokenizer(prompt_conversation, return_tensors="pt").to(model.device)

with torch.no_grad():
    outputs_conversation = model.generate(
        **inputs_conversation,
        max_new_tokens=50,
        pad_token_id=tokenizer.eos_token_id
    )
generated_conversation = tokenizer.decode(outputs_conversation[0], skip_special_tokens=True)
print("\n--- Génération de Conversation ---")
print(generated_conversation)

---

📊 Performances comparatives

Modèle	Code (Python)	Conversation	Mémoire requise
GPT-Neo 1.3B	⭐⭐	⭐⭐	~12 Go
DeepSeek-Qwen-1.5B (base)	⭐⭐⭐	⭐⭐⭐	~10 Go
Mimo-1.5B (fine-tuned)	⭐⭐⭐⭐	⭐⭐⭐⭐	~8 Go (quantisé)

➡️ Mimo surpasse la version de base sur les benchmarks internes (code + QA).

---

🧠 Visualisations comparatives

Afin d’illustrer les forces de Mimo par rapport aux autres modèles, plusieurs visualisations ont été générées à partir de benchmarks internes (Septembre 2025).

🔹 1. Radar de performance

Ce diagramme radar compare les capacités globales (Code, Conversation, Mémoire, Raisonnement).
➡️ Mimo domine sur tous les axes, montrant son équilibre entre compréhension et génération.

---

🔹 2. Entraînement & efficacité

Comparaison des métriques d’entraînement :

• ⏱ Temps d’entraînement plus court
• 📉 Perte finale plus faible
• 💾 Mémoire optimisée

➡️ Mimo apprend plus vite et avec moins de ressources.

---

🔹 3. Classification & Clustering

Ce graphique montre comment chaque modèle regroupe les données en classes.
➡️ Les clusters prédits par Mimo sont plus nets et bien séparés, preuve de sa meilleure capacité de généralisation.

---

🔹 4. Précision en classification

Comparaison des scores : Accuracy, Recall, F1-score.
➡️ Mimo garde une avance claire sur la précision et la robustesse des prédictions.

---

🔹 5. Raisonnement avancé

Testé sur des tâches de raisonnement logique et contextuel.
➡️ Mimo démontre une supériorité dans la résolution de problèmes complexes.

---

🔹 6. Conscience artificielle (concept)

Visualisation heatmap sur 5 axes : Perception, Mémoire, Raisonnement, Créativité, Auto-adaptation.
➡️ Mimo émerge comme le modèle le plus “conscient”, avec des scores nettement supérieurs aux autres.

---

📂 Structure du dépôt

Mimo/
├── README.md
├── assets/mimo.png
├── mohamed.jsonl
├── fine_tune_mimo.py
├── requirements.txt
└── .gitignore

---

🛠️ Intégration dans VSCode

1. Clonez le dépôt :

   git clone https://github.com/votre-utilisateur/mimo-llm.git
   cd mimo-llm
   

2. Installez les dépendances :

   pip install -r requirements.txt
   

3. Exécutez soit :
   • fine_tune_mimo.py → pour l’entraînement
   • un script d’inférence personnalisé

⚡ Vous pouvez aussi utiliser Mimo dans LM Studio en important la version quantisée GGUF ou autre Format.

---

📧 Auteur

• Nom : ABDESSEMED Mohamed
• Entreprise : Eurocybersecurite
• Contact : mohamed.abdessemed@eurocybersecurite.fr