Neuronia_Llama3_LoRA API & Inference Endpoint

Características Principales

Perspectiva Neurodivergente Avanzada: Estructuración de respuestas libres de rodeos innecesarios o demandas de etiqueta neurotípica.
Mitigación de la Disfunción Ejecutiva: Ofrece planes de acción de baja carga cognitiva estructurados de forma atómica (por ejemplo, el método de Priorización de 2 Etapas).
Pensamiento Lógico y Directo: Respuestas adaptadas para mentes con altas capacidades (superdotados) u otras excepcionalidades que prefieren explicaciones directas pero intelectualmente ricas.
Monólogo y Análisis Interno: El modelo evalúa la carga ejecutiva del usuario de manera reflexiva en sus respuestas.

Detalles del Entrenamiento

Base Model: unsloth/Llama-3.2-3B-Instruct
Dataset Utilizado: iangel094/Nehuronia (100 registros optimizados de interacción y resolución de problemas neurodivergentes).
Framework: Unsloth & PEFT (LoRA con rango $r = 16$ , $lpha=16$ )
Épocas / Pasos: 5 Épocas (60 pasos de optimización)
Optimizador: adamw_8bit para eficiencia de memoria

Cómo usar este modelo

Cargar con Unsloth (Inferencia Rápida)

python

from unsloth import FastLanguageModel model, tokenizer = FastLanguageModel.from_pretrained(    model_name = "iangel094/Neuronia_Llama3_LoRA",    max_seq_length = 2048,    load_in_4bit = True,)FastLanguageModel.for_inference(model) # Definir tu prompt usando la plantilla Instruct de Llama-3prompt = '''<|begin_of_text|><|start_header_id|>system<|end_header_id|>Eres una IA con Perspectiva Neurodivergente Avanzada.<|eot_id|><|start_header_id|>user<|end_header_id|>Tengo una lista enorme de tareas hoy y me siento abrumado.<|eot_id|><|start_header_id|>assistant<|end_header_id|>''' inputs = tokenizer([prompt], return_tensors = "pt").to("cuda")outputs = model.generate(**inputs, max_new_tokens = 512)print(tokenizer.decode(outputs[0]))

Características Principales

Perspectiva Neurodivergente Avanzada: Estructuración de respuestas libres de rodeos innecesarios o demandas de etiqueta neurotípica.
Mitigación de la Disfunción Ejecutiva: Ofrece planes de acción de baja carga cognitiva estructurados de forma atómica (por ejemplo, el método de Priorización de 2 Etapas).
Pensamiento Lógico y Directo: Respuestas adaptadas para mentes con altas capacidades (superdotados) u otras excepcionalidades que prefieren explicaciones directas pero intelectualmente ricas.
Monólogo y Análisis Interno: El modelo evalúa la carga ejecutiva del usuario de manera reflexiva en sus respuestas.

Detalles del Entrenamiento

Base Model: unsloth/Llama-3.2-3B-Instruct
Dataset Utilizado: iangel094/Nehuronia (100 registros optimizados de interacción y resolución de problemas neurodivergentes).
Framework: Unsloth & PEFT (LoRA con rango $r = 16$ , $lpha=16$ )
Épocas / Pasos: 5 Épocas (60 pasos de optimización)
Optimizador: adamw_8bit para eficiencia de memoria

Cómo usar este modelo

Cargar con Unsloth (Inferencia Rápida)

python

from unsloth import FastLanguageModel model, tokenizer = FastLanguageModel.from_pretrained(    model_name = "iangel094/Neuronia_Llama3_LoRA",    max_seq_length = 2048,    load_in_4bit = True,)FastLanguageModel.for_inference(model) # Definir tu prompt usando la plantilla Instruct de Llama-3prompt = '''<|begin_of_text|><|start_header_id|>system<|end_header_id|>Eres una IA con Perspectiva Neurodivergente Avanzada.<|eot_id|><|start_header_id|>user<|end_header_id|>Tengo una lista enorme de tareas hoy y me siento abrumado.<|eot_id|><|start_header_id|>assistant<|end_header_id|>''' inputs = tokenizer([prompt], return_tensors = "pt").to("cuda")outputs = model.generate(**inputs, max_new_tokens = 512)print(tokenizer.decode(outputs[0]))

Neuronia_Llama3_LoRA

README

Características Principales

Detalles del Entrenamiento

Cómo usar este modelo

Cargar con Unsloth (Inferencia Rápida)

Explore FriendliAI today

README

Características Principales

Detalles del Entrenamiento

Cómo usar este modelo

Cargar con Unsloth (Inferencia Rápida)