GLM-5.3 is live. Run Z.ai's latest model on Friendli Model APIs. Try it today ➜
Finish-him
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
Finish-him
Model Tree
Qwen/Qwen2.5-0.5B
Input Modalities
Output Modalities
Supported Functionality
Este repositório traz o modelo gerador do pipeline de tutoria da MSC Academy:
um Qwen2.5-0.5B ajustado por LoRA/SFT para o papel de professor/tutor em
português.
Na arquitetura pretendida, ele opera como o G de um sistema RAG: a
recuperação traz trechos da base de conhecimento da Academy e o modelo gera a
resposta ancorada nesse contexto. Ser honesto importa aqui: o adapter publicado
é o gerador (SFT) — a base de recuperação (msc-academy-rag-v1 dataset, PT+EN)
está em curadoria e ainda não está completa.
Fora de escopo: uso como modelo factual stand-alone (sem recuperação ele não tem a base de conhecimento), assistente geral, produção crítica.
Qwen/Qwen2.5-0.5Bmsc-academy-rag-v1 (PT + EN), em curadoria com gates de
qualidade — validação de schema, varredura de segredos (sanitizado), varredura
de PII (baixo risco), deduplicação (0 duplicatas) e revisão humana em andamento.| Componente | Estado |
|---|---|
| Gerador (este adapter) | ✅ Treinado (preview v1) |
| Base de recuperação (RAG) | 🔄 Em construção (~42% da meta v1) |
| Avaliação formal vs baseline | ⏳ Pendente |
Seguimos a regra de só publicar número medido — por isso não há tabela de benchmark aqui. Entra quando o eval fechar.
python
from transformers import AutoModelForCausalLM, AutoTokenizerfrom peft import PeftModel base = "Qwen/Qwen2.5-0.5B"adapter = "Finish-him/msc-academy-rag-v1" tok = AutoTokenizer.from_pretrained(base)model = AutoModelForCausalLM.from_pretrained(base)model = PeftModel.from_pretrained(model, adapter)# Em produção, injete o contexto recuperado antes do prompt do usuário.A MSC constrói modelos pequenos especializados + pipelines RAG privados e baratos de operar. Quer um assistente ancorado nos seus dados, sem mandá-los para uma API de fronteira? A MSC Labs entrega fine-tuning e RAG done-for-you, com avaliação contra o seu baseline.
📩 labs@msccompany.com.br · 🔗 https://labs.msccompany.com.br
from transformers import AutoModelForCausalLM, AutoTokenizerfrom peft import PeftModel base = "Qwen/Qwen2.5-0.5B"adapter = "Finish-him/msc-academy-rag-v1" tok = AutoTokenizer.from_pretrained(base)model = AutoModelForCausalLM.from_pretrained(base)model = PeftModel.from_pretrained(model, adapter)# Em produção, injete o contexto recuperado antes do prompt do usuário.