GLM-5.3 is live. Run Z.ai's latest model on Friendli Model APIs. Try it today ➜
miloviper
Available on FriendliAI
Run this model inference on single tenant GPU with unmatched speed and reliability at scale.
Model Details
Model Provider
miloviper
Model Tree
HuggingFaceTB/SmolLM2-135M-Instruct
Input Modalities
Output Modalities
Supported Functionality
Asistente que explica conceptos de inteligencia artificial generativa a ejecutivos de empresas chilenas, con ejemplos de negocio concretos (banca, minería, retail, viñas). Responde en inglés, de forma breve y clara, sobre los temas del taller:
| Métrica | Antes (base) | Después (destilado) |
|---|---|---|
| Nota media | 1.83 | 2.92 |
| Pérdida de entrenamiento | 3.5236 | 3.0419 |
Modelo con fines educativos: muestra el ciclo de destilación, no un asistente de producción.
python
from transformers import AutoModelForCausalLM, AutoTokenizerfrom peft import PeftModel base = "HuggingFaceTB/SmolLM2-135M-Instruct"tok = AutoTokenizer.from_pretrained(base)m = PeftModel.from_pretrained( AutoModelForCausalLM.from_pretrained(base), "miloviper/smollm2-ia-ejecutivos-cl",) msg = [{"role": "user", "content": "What is RAG and when should a Chilean retailer use it?"}]entrada = tok.apply_chat_template(msg, add_generation_prompt=True, return_tensors="pt")print(tok.decode(m.generate(entrada, max_new_tokens=120)[0], skip_special_tokens=True))Modelo base SmolLM2 bajo Apache 2.0. Entrenado con salidas de un modelo profesor con fines educativos; no destinado a competir con el proveedor del profesor ni a uso en producción.
from transformers import AutoModelForCausalLM, AutoTokenizerfrom peft import PeftModel base = "HuggingFaceTB/SmolLM2-135M-Instruct"tok = AutoTokenizer.from_pretrained(base)m = PeftModel.from_pretrained( AutoModelForCausalLM.from_pretrained(base), "miloviper/smollm2-ia-ejecutivos-cl",) msg = [{"role": "user", "content": "What is RAG and when should a Chilean retailer use it?"}]entrada = tok.apply_chat_template(msg, add_generation_prompt=True, return_tensors="pt")print(tok.decode(m.generate(entrada, max_new_tokens=120)[0], skip_special_tokens=True))