Treinamento

• Base: Meta-Llama-3-8B-Instruct (QLoRA 4-bit)
• Dados: MedQuAD + PubMedQA (limpeza LGPD, respostas curtas ≤1200 caracteres)
• LoRA: r=16, alpha=32, target_modules q_proj, k_proj, v_proj, o_proj
• Formato SFT: <s>[INST] pergunta [/INST] resposta

Uso

Carregue a base com quantização 4-bit e aplique o adaptador com PEFT:

python
Copy code
from peft import PeftModel
from transformers import AutoModelForCausalLM, AutoTokenizer, BitsAndBytesConfig
import torch

base_id = "meta-llama/Meta-Llama-3-8B-Instruct"
adapter_id = "StefanieFranco/llama3-medical-fine-tuning"

bnb_config = BitsAndBytesConfig(
    load_in_4bit=True,
    bnb_4bit_quant_type="nf4",
    bnb_4bit_compute_dtype=torch.float16,
    bnb_4bit_use_double_quant=True,
)

tokenizer = AutoTokenizer.from_pretrained(adapter_id)
base = AutoModelForCausalLM.from_pretrained(
    base_id,
    quantization_config=bnb_config,
    device_map="auto",
)
model = PeftModel.from_pretrained(base, adapter_id)

Aviso

Este modelo é educacional e não substitui avaliação, diagnóstico ou tratamento por profissional de saúde.