Uso
Requiere transformers 5 o posterior.
from transformers import AutoModelForCausalLM, AutoTokenizer repo = "LICDIA-UNLu/Liminar-Qwen3.5-27B"tok = AutoTokenizer.from_pretrained(repo, revision="v2026.11")modelo = AutoModelForCausalLM.from_pretrained( repo, revision="v2026.11", dtype="auto", device_map="auto") mensajes = [{"role": "user", "content": "¿Qué establece la Ley de Educación Superior sobre la autonomía universitaria?"}]entrada = tok.apply_chat_template( mensajes, add_generation_prompt=True, return_dict=True, return_tensors="pt").to(modelo.device)salida = modelo.generate(**entrada, max_new_tokens=400)print(tok.decode(salida[0, entrada["input_ids"].shape[1]:], skip_special_tokens=True))
El ajuste se hizo sin el modo de razonamiento de Qwen 3.5, y la plantilla de chat lo deja apagado por omisión.
Para consultas sobre normas concretas conviene usarlo con recuperación de documentos (RAG) sobre una fuente
actualizada: el modelo no sabe qué normas siguen vigentes.
Versiones cuantizadas (GGUF)
Para usarlo con llama.cpp, Ollama o LM Studio, también sin GPU. La plantilla de chat de estos archivos deja apagado el razonamiento, como en el entrenamiento.
Table with columns: Archivo, Cuantización, Tamaño| Archivo | Cuantización | Tamaño |
|---|
Liminar-Qwen3.5-27B-Q8_0.gguf | Q8_0 (8 bits) | 29,0 GB |
Liminar-Qwen3.5-27B-Q4_K_M.gguf | Q4_K_M (4 bits) | 16,8 GB |
ollama run hf.co/LICDIA-UNLu/Liminar-Qwen3.5-27B:Q4_K_Mllama-server -hf LICDIA-UNLu/Liminar-Qwen3.5-27B:Q4_K_M
La evaluación de esta ficha es la del modelo en bf16: las versiones cuantizadas no se evaluaron aparte.
Datos
- Normativa universitaria nacional de Infoleg (base de datos.jus.gob.ar, CC BY 4.0), curada a mano.
- Textos públicos sobre la vida universitaria: argentina.gob.ar (CC BY 4.0), CONICET (CC BY 2.5 AR) y el Consejo
Interuniversitario Nacional (con su permiso).
- Datos generados a partir de ese corpus con el documento a la vista: fragmentos con su ficha, versiones reescritas,
preguntas y respuestas, abstención, identidad, respuestas del propio modelo base a consignas generales y ejemplos de
consulta con documentos.
Entrenamiento
LoRA de rango 256 sobre las capas lineales, fusionado con el modelo base, con FSDP en un nodo de la supercomputadora Clementina XXI (8 tiles de GPU Intel Data
Center Max 1550): una época de preguntas y respuestas y cuatro épocas con todos los datos. El entrenamiento usó 392 horas de GPU (horas de tile).
Evaluación
Cada modelo se compara con su modelo base. Las respuestas abiertas las califica Llama 3.3 70B, que no pertenece a
ninguna de las familias evaluadas. El benchmark de normativa pregunta sin documentos por normas del corpus y mide
cuánto recuerda el modelo de lo que aprendió. La consulta con documentos usa los fragmentos que devuelve un sistema de
recuperación real y la rúbrica con la que se evaluó con personas el asistente de consulta del digesto de la UNLu
(licdia.unlu.edu.ar/rag-unlu): utilidad, fidelidad, completitud y claridad.
Table with columns: Evaluación, Modelo base, Liminar| Evaluación | Modelo base | Liminar |
|---|
| Normativa sin documentos (300 preguntas): respuestas correctas | 10,0 % | 46,7 % |
| Normativa sin documentos: nota media del juez (0 a 2) | 0,63 | 1,30 |
| Consulta con documentos, RAG (60 consultas): promedio del juez (1 a 5) | 4,99 | 4,99 |
| RAG: respuestas con algún dato incorrecto | 0 de 60 | 0 de 60 |
Como referencia, gpt-4.1-mini responde bien el 14,3 % de las preguntas de normativa sin documentos (nota media 0,77) y promedia 4,98 en la consulta con documentos, con 0 respuestas incorrectas de 60.
Límites
- No sabe qué normas siguen vigentes ni cuáles cambiaron después de la fecha del corpus.
- Puede equivocar números de normas, fechas y montos.
- No conoce los actos internos de cada universidad: esa es la capa que cada institución puede sumar con la receta.
In English
Liminar-Qwen3.5-27B belongs to Liminar, a family of open language models from the Argentine university system, adapted to
its regulations, institutions and academic life and to formal Argentine Spanish. It is based on Qwen 3.5 27B and
developed by LICDIA at Universidad Nacional de Luján. Code, recipe and documentation:
github.com/LICDIA-UNLu/liminar.