GLM-5.3 is live. Run Z.ai's latest model on Friendli Model APIs. Try it today ➜
BrCamp
Available on FriendliAI
Run this model inference on single tenant GPU with unmatched speed and reliability at scale.
Run this model inference with full control and performance in your environment.
Model Details
Model Provider
BrCamp
Model Tree
BrCamp/bee-150m-pt-base
Input Modalities
Output Modalities
Supported Functionality
python
from transformers import AutoModelForCausalLM, AutoTokenizertok = AutoTokenizer.from_pretrained("BrCamp/bee-150m-pt-sft")modelo = AutoModelForCausalLM.from_pretrained("BrCamp/bee-150m-pt-sft")msgs = [{"role": "user", "content": "Resuma o texto abaixo em uma frase:\n\n..."}]entrada = tok.apply_chat_template(msgs, return_tensors="pt", add_generation_prompt=True)print(tok.decode(modelo.generate(entrada, max_new_tokens=120)[0]))
Formato ChatML (<|im_start|> / <|im_end|>), com chat_template embutido.
7.152 exemplos (5.657 instruções em PT + 1.495 de uso de ferramentas), full fine-tune,
lr 6e-4 cosine · 2 épocas · max_seq_len 2048 · batch efetivo 32 · bf16. Loss mascarada
no prompt: o modelo é cobrado só pelo que responde.
| holdout | eval_loss | acurácia/token |
|---|---|---|
| instruções PT (n=300) | 1,7592 | 0,6074 |
| uso de ferramentas (n=150) | 1,0672 | 0,7693 |
Cada hiperparâmetro foi medido, não herdado — a varredura de LR (curva em U de 6 pontos,
com ruído de 0,001) e a de épocas estão em
docs/sft-resultado.md.
O SFT ensinou formato, não fatos. O modelo responde em português fluente, estruturado e para no fim do turno — e inventa fatos com confiança. Pior: inventa diferente a cada geração (perguntado duas vezes sobre Machado de Assis, respondeu "nasceu em 1839" — correto — numa amostragem e "nasceu em 1831, em São Paulo" na outra). Ele amostra plausibilidade; não tem o conhecimento guardado.
Isso é o esperado em 151M parâmetros e não se corrige com mais SFT — só com um pré-treino maior.
Não use para perguntas factuais de mundo aberto, conselhos médicos/jurídicos/financeiros, ou qualquer decisão em que uma afirmação inventada cause dano.
Use onde o conhecimento vem no contexto: extração estruturada, resumo, reescrita, classificação, formatação — tarefas em que o texto de entrada contém a resposta e o modelo só precisa manipulá-lo em bom português.