Update README.md

README.md

@@ -3,7 +3,7 @@ language:
 - fr
 license: mit
 datasets:
-- UMA-IA/UMA_Dataset_Components_LLM
+- UMA-IA/VELA-Components-v2
 base_model: mistralai/Mistral-7B-v0.1
 tags:
 - aerospace
@@ -15,18 +15,18 @@ pipeline_tag: text-generation
 ---
 
 ## Model Details
-**Model Name:** UMA-IA/LLM_Components_Finetuned 
+**Model Name:** UMA-IA/CENTAURUS-Components-v2
 **Authors:**  
 - **Youri LALAIN**, Engineering student at French Engineering School ECE  
 - **Lilian RAGE**, Engineering student at French Engineering School ECE  
 **Base Model:** [Mistral-7B-v0.1](https://huggingface.co/mistralai/Mistral-7B-v0.1)  
-**Fine-tuned Dataset:** [UMA-IA/UMA_Dataset_Components_LLM](https://huggingface.co/datasets/UMA-IA/UMA_Dataset_Components_LLM)  
+**Fine-tuned Dataset:** [UMA-IA/VELA-Components-v2](https://huggingface.co/datasets/UMA-IA/UMA_Dataset_Components_LLM)  
 **License:** Apache 2.0  
 
 ## Model Description
 # Mistral-7B Fine-tuné sur les composants aérospatiaux
 
-LLM_Components_Finetuned_V1 est une version spécialisée du modèle Mistral-7B, fine-tunée pour fournir des réponses précises et concises aux questions techniques concernant les composants aérospatiaux et aéronautiques. Le modèle s'appuie sur le dataset SpaceYL/Components_Aerospatiaux_Dataset pour améliorer sa compréhension des composants de propulsion, leurs caractéristiques techniques, et leur maintenance.
+UMA-IA/CENTAURUS-Components-v2 est une version spécialisée du modèle Mistral-7B, fine-tunée pour fournir des réponses précises et concises aux questions techniques concernant les composants aérospatiaux et aéronautiques. Le modèle s'appuie sur le dataset UMA-IA/VELA-Components-v2 pour améliorer sa compréhension des composants de propulsion, leurs caractéristiques techniques, et leur maintenance.
 
 ## Capacités
 - Réponses techniques concernant les composants aérospatiaux
@@ -70,7 +70,7 @@ LLM_Components_Finetuned_V1 est une version spécialisée du modèle Mistral-7B,
 - Applications pédagogiques en ingénierie aérospatiale
 
 ## Détails d'entraînement
-Ce modèle a été fine-tuné sur le dataset UMA-IA/UMA_Dataset_Components_LLM, qui contient environ 800 paires question-réponse concernant divers composants aérospatiaux. Le processus de fine-tuning a utilisé la technique LoRA (Low-Rank Adaptation) pour adapter efficacement le modèle Mistral-7B à ce domaine spécifique.
+Ce modèle a été fine-tuné sur le dataset UMA-IA/VELA-Components-v2, qui contient environ 800 paires question-réponse concernant divers composants aérospatiaux. Le processus de fine-tuning a utilisé la technique LoRA (Low-Rank Adaptation) pour adapter efficacement le modèle Mistral-7B à ce domaine spécifique.
 
 ## Comment utiliser
 
@@ -80,7 +80,7 @@ Vous pouvez charger le modèle en utilisant la bibliothèque `transformers` de H
 from transformers import AutoModelForCausalLM, AutoTokenizer
 
 # Charger le modèle et le tokenizer
-model_name = "SpaceYL/LLM_Components_Finetuned_V1"
+model_name = "UMA-IA/CENTAURUS-Components-v2"
 model = AutoModelForCausalLM.from_pretrained(model_name)
 tokenizer = AutoTokenizer.from_pretrained(model_name)