GLM-5.3 is live. Run Z.ai's latest model on Friendli Model APIs. Try it today ➜
macarenacolomes
Available on FriendliAI
Run this model inference on single tenant GPU with unmatched speed and reliability at scale.
Model Details
Model Provider
macarenacolomes
Model Tree
Qwen/Qwen2.5-1.5B-Instruct
Input Modalities
Output Modalities
Supported Functionality
Asistente que explica a analistas nuevos de un equipo de datos de energía cómo funciona el Sistema Eléctrico Nacional (SEN) de Chile y cómo se pronostica la generación renovable variable (solar y eólica) por zona. Está pensado como apoyo de inducción: conceptos como el rol del Coordinador Eléctrico Nacional, el vertimiento, los datos meteorológicos y del CEN, y cómo se evalúa un pronóstico.
Temas: Operación del SEN y el Coordinador, Generación solar y eólica en Chile, Transmisión y vertimiento, Datos meteorológicos y del CEN, Modelos de pronóstico, Evaluación e incertidumbre del pronóstico.
gpt-6-luna, API de OpenAI)
actuando como profesor, en español, con un máximo de 90 palabras por respuesta.| Parámetro | Valor |
|---|---|
| Modelo base | Qwen/Qwen2.5-1.5B-Instruct |
| Método | SFT con LoRA (solo se aprende la respuesta; la pregunta se enmascara) |
| LoRA | r = 16, alpha = 32, dropout = 0.05 |
| Módulos | down_proj, gate_proj, k_proj, o_proj, q_proj, up_proj, v_proj |
| Épocas · tasa de aprendizaje · lote | 3 · 0.0005 · 4 |
| Pasos · pérdida inicial → final | 45 · 2,51 → 0,89 |
| Hardware | Mac con Apple Silicon (MPS) |
Notas de 1 a 10 asignadas por un LLM juez que compara cada respuesta con la referencia del profesor (7 = aceptable para un usuario real).
| Antes (modelo base) | Después (destilado) | |
|---|---|---|
| Nota media | 2,58 | 4,83 |
| Aprobación (nota ≥ 7) | 0% | 25% |
| Tema (2 preguntas cada uno) | Antes | Después |
|---|---|---|
| Datos meteorológicos y del CEN | 2,50 | 3,50 |
| Evaluación e incertidumbre del pronóstico | 3,00 | 6,00 |
| Generación solar y eólica en Chile | 1,50 | 3,50 |
| Modelos de pronóstico | 2,50 | 4,50 |
| Operación del SEN y el Coordinador | 2,50 | 6,00 |
| Transmisión y vertimiento | 3,50 | 5,50 |
Cómo leer estas cifras:
python
from transformers import AutoModelForCausalLM, AutoTokenizerfrom peft import PeftModel base = "Qwen/Qwen2.5-1.5B-Instruct"tok = AutoTokenizer.from_pretrained(base)modelo = PeftModel.from_pretrained(AutoModelForCausalLM.from_pretrained(base), "macarenacolomes/sen-vre-asistente-qwen1.5b-lora") mensajes = [{"role": "system", "content": "Eres un asistente experto en el Sistema Eléctrico Nacional de Chile y en pronóstico de generación renovable. Responde en español, de forma clara y breve."}, {"role": "user", "content": "¿Qué es el vertimiento de energía solar y por qué ocurre en el norte de Chile?"}]entrada = tok.apply_chat_template(mensajes, add_generation_prompt=True, return_tensors="pt", return_dict=True)salida = modelo.generate(**entrada, max_new_tokens=120, do_sample=False, repetition_penalty=1.15)print(tok.decode(salida[0, entrada["input_ids"].shape[1]:], skip_special_tokens=True))from transformers import AutoModelForCausalLM, AutoTokenizerfrom peft import PeftModel base = "Qwen/Qwen2.5-1.5B-Instruct"tok = AutoTokenizer.from_pretrained(base)modelo = PeftModel.from_pretrained(AutoModelForCausalLM.from_pretrained(base), "macarenacolomes/sen-vre-asistente-qwen1.5b-lora") mensajes = [{"role": "system", "content": "Eres un asistente experto en el Sistema Eléctrico Nacional de Chile y en pronóstico de generación renovable. Responde en español, de forma clara y breve."}, {"role": "user", "content": "¿Qué es el vertimiento de energía solar y por qué ocurre en el norte de Chile?"}]entrada = tok.apply_chat_template(mensajes, add_generation_prompt=True, return_tensors="pt", return_dict=True)salida = modelo.generate(**entrada, max_new_tokens=120, do_sample=False, repetition_penalty=1.15)print(tok.decode(salida[0, entrada["input_ids"].shape[1]:], skip_special_tokens=True))