GLM-5.3 is live. Run Z.ai's latest model on Friendli Model APIs. Try it today ➜
corellana1990
Available on FriendliAI
Run this model inference on single tenant GPU with unmatched speed and reliability at scale.
Model Details
Model Provider
corellana1990
Model Tree
HuggingFaceTB/SmolLM2-360M-Instruct
Input Modalities
Output Modalities
Supported Functionality
| Archivo | Qué es |
|---|---|
adapter_model.safetensors | Pesos LoRA entrenados (≈ 8,7 M parámetros, 34,8 MB) |
adapter_config.json | Configuración LoRA (base, rango, módulos) |
tokenizer.json, tokenizer_config.json, chat_template.jinja | Tokenizer y plantilla de chat del modelo base |
probar_modelo.py | Script mínimo para cargar el modelo y hacerle una pregunta |
resultados.png | Pérdida por paso, nota antes/después y nota por tema |
Es un adaptador, no un modelo completo: al cargarlo se descarga automáticamente el modelo base HuggingFaceTB/SmolLM2-360M-Instruct (≈ 720 MB).
SHA-256 de adapter_model.safetensors: 7d64f30459f68e568a642faeb54bc0fabbac88881223e6d8397311eacace48c5
bash
pip install -r requirements.txtpython probar_modelo.py "¿Qué es RAG y cuándo conviene usarlo?"python
from peft import AutoPeftModelForCausalLMfrom transformers import AutoTokenizer modelo = AutoPeftModelForCausalLM.from_pretrained("corellana1990/ejercicio")tok = AutoTokenizer.from_pretrained("corellana1990/ejercicio")60 pares pregunta-respuesta generados por el profesor sobre seis temas (Fundamentos de LLM, Ingeniería de prompts, RAG, Agentes de IA, Ajuste fino, Evaluación y LLMOps) y 12 preguntas de examen que nunca se usaron para entrenar.
| Parámetro | Valor |
|---|---|
| Modelo base | SmolLM2-360M-Instruct |
| Épocas / lote | 3 / 4 |
| Tasa de aprendizaje | 5e-4 (coseno con calentamiento) |
| LoRA r / alpha / dropout | 16 / 32 / 0,05 |
| Módulos | q_proj, k_proj, v_proj, o_proj, gate_proj, up_proj, down_proj |
| Tokens máximos ejemplo / respuesta | 320 / 120 |
| Semilla | 42 |
| Hardware | CPU, Mac con 8 GB de RAM (≈ 15 min de entrenamiento) |
| Pérdida inicial → final | 2,99 → 2,02 |
Juez LLM (gpt-6-luna), escala 1–10, sobre las 12 preguntas del examen fijo.
| Tema | n | Base | Con LoRA |
|---|---|---|---|
| Agentes de IA | 3 | 2,67 | 2,67 |
| Ajuste fino | 2 | 1,50 | 2,50 |
| Fundamentos de LLM | 2 | 1,00 | 2,00 |
| Ingeniería de prompts | 3 | 2,00 | 2,33 |
| RAG | 2 | 1,50 | 2,00 |
| Promedio | 12 | 1,83 | 2,33 |
Aprobación (nota ≥ 7): 0 % antes y después. El examen no incluyó preguntas de Evaluación y LLMOps.
SmolLM2 se distribuye con licencia Apache 2.0. Los datos de entrenamiento se generaron con un modelo de OpenAI, cuyos términos restringen usar sus salidas para crear modelos que compitan con OpenAI; este adaptador es solo educativo.
pip install -r requirements.txtpython probar_modelo.py "¿Qué es RAG y cuándo conviene usarlo?"from peft import AutoPeftModelForCausalLMfrom transformers import AutoTokenizer modelo = AutoPeftModelForCausalLM.from_pretrained("corellana1990/ejercicio")tok = AutoTokenizer.from_pretrained("corellana1990/ejercicio")