278 lines
9.1 KiB
Markdown
278 lines
9.1 KiB
Markdown
---
|
||
license: mit
|
||
datasets:
|
||
- Mattimax/DATA-AI_Conversation_ITA
|
||
language:
|
||
- it
|
||
base_model:
|
||
- Mattimax/DACMini
|
||
library_name: transformers
|
||
tags:
|
||
- DAC
|
||
- DATA-AI
|
||
- data-ai
|
||
---
|
||
|
||
[](https://huggingface.co/Mattimax)
|
||
[](https://huggingface.co/MINC01)
|
||
|
||
## ☕ Support my research
|
||
|
||
[](https://www.buymeacoffee.com/marzomattye)
|
||
|
||
# Mattimax/DACMini-IT
|
||
|
||
|
||
|
||
* **Autore:** [Mattimax](https://huggingface.co/Mattimax)
|
||
* **Organizzazione:** [M.INC](https://huggingface.co/MINC01)
|
||
* **Licenza:** MIT
|
||
|
||
---
|
||
|
||
## Descrizione
|
||
|
||
**DACMini-IT** è un modello di linguaggio compatto e instruction tuned per **chat e dialogo in lingua italiana**.
|
||
Basato sull’architettura **GPT-2 Small (italian adaptation)**, è progettato per essere rapido, leggero e facilmente distribuibile su dispositivi con risorse limitate.
|
||
|
||
Rispetto a DACMini “base”, **DACMini-IT** è addestrato su dataset italiani conversazionali strutturati in formato *user-assistant*, ottimizzando la capacità di seguire istruzioni e gestire conversazioni multi-turno naturali.
|
||
|
||
---
|
||
|
||
## Dimensioni e caratteristiche tecniche
|
||
|
||
* **Parametri:** 109M
|
||
* **Architettura:** GPT-2 Small (italian adaptation)
|
||
* **Lunghezza massima del contesto:** 512 token
|
||
* **Numero di strati:** 12
|
||
* **Numero di teste di attenzione:** 12
|
||
* **Dimensione embedding:** 768
|
||
* **Vocabolario:** ~50.000 token
|
||
* **Quantizzazione:** supportata (8-bit / 4-bit opzionale con `bitsandbytes`)
|
||
|
||
---
|
||
|
||
## Dataset di addestramento
|
||
|
||
Addestrato su [**Mattimax/DATA-AI_Conversation_ITA**](https://huggingface.co/datasets/Mattimax/DATA-AI_Conversation_ITA), un dataset italiano di dialoghi instruction tuned, contenente coppie *prompt-response* strutturate per favorire risposte coerenti, naturali e grammaticalmente corrette.
|
||
|
||
---
|
||
|
||
## Obiettivi
|
||
|
||
* Chatbot in lingua italiana con capacità di seguire istruzioni.
|
||
* Risposte concise, chiare e naturali in contesti multi-turno.
|
||
* Applicazioni leggere o offline dove la dimensione del modello è un vincolo.
|
||
|
||
---
|
||
|
||
## Avvertenze e limitazioni
|
||
|
||
* Modello **sperimentale**: può produrre errori logici o risposte non pertinenti.
|
||
* Non addestrato su temi sensibili o contenuti specialistici.
|
||
* Prestazioni limitate su conversazioni molto lunghe o prompt complessi.
|
||
* Non destinato ad usi commerciali senza ulteriore validazione.
|
||
|
||
---
|
||
|
||
## Uso consigliato
|
||
|
||
* Applicazioni chatbot leggere o offline in italiano.
|
||
* Prototipazione e test di pipeline NLP italiane.
|
||
* Generazione di risposte sintetiche e dataset per training o valutazione.
|
||
|
||
---
|
||
|
||
## Codice per inferenza di esempio
|
||
|
||
```python
|
||
from transformers import AutoTokenizer, AutoModelForCausalLM
|
||
import torch
|
||
|
||
# 1. Carica modello e tokenizer addestrati
|
||
model_path = "Mattimax/DACMini-IT"
|
||
tokenizer = AutoTokenizer.from_pretrained(model_path)
|
||
model = AutoModelForCausalLM.from_pretrained(model_path)
|
||
model.eval()
|
||
|
||
# 2. Funzione di generazione
|
||
def chat_inference(prompt, max_new_tokens=150, temperature=0.7, top_p=0.9):
|
||
# Costruisci input nel formato usato in training
|
||
formatted_prompt = f"<|user|> {prompt.strip()} <|assistant|>"
|
||
|
||
# Tokenizza
|
||
inputs = tokenizer(formatted_prompt, return_tensors="pt")
|
||
|
||
# Genera risposta
|
||
with torch.no_grad():
|
||
output = model.generate(
|
||
**inputs,
|
||
max_new_tokens=max_new_tokens,
|
||
temperature=temperature,
|
||
top_p=top_p,
|
||
do_sample=True,
|
||
pad_token_id=tokenizer.pad_token_id or tokenizer.eos_token_id
|
||
)
|
||
|
||
# Decodifica e rimuovi prompt iniziale
|
||
generated_text = tokenizer.decode(output[0], skip_special_tokens=True)
|
||
response = generated_text.split("<|assistant|>")[-1].strip()
|
||
return response
|
||
|
||
# 3. Esempio d’uso
|
||
if __name__ == "__main__":
|
||
while True:
|
||
user_input = input("👤 Utente: ")
|
||
if user_input.lower() in ["exit", "quit"]:
|
||
break
|
||
response = chat_inference(user_input)
|
||
print(f"🤖 Assistant: {response}\n")
|
||
````
|
||
|
||
## Referenze
|
||
|
||
* Dataset: [Mattimax/DATA-AI_Conversation_ITA](https://huggingface.co/datasets/Mattimax/DATA-AI_Conversation_ITA)
|
||
* Modello di base: [DACMini](https://huggingface.co/Mattimax/DACMini)
|
||
* Organizzazione: [M.INC](https://huggingface.co/MINC01)
|
||
* Collezione: [Little_DAC Collection](https://huggingface.co/collections/Mattimax/little-dac-collection-68e11d19a5949d08e672b312)
|
||
|
||
## Citazione
|
||
|
||
Se utilizzi **Mattimax/DACMini-IT** in un progetto, un articolo o qualsiasi lavoro, ti chiediamo gentilmente di citarlo usando il file `CITATION.bib` incluso nel repository:
|
||
|
||
```bibtex
|
||
@misc{mattimax2025dacminiit,
|
||
title = {{Mattimax/DACMini-IT}: Un modello di linguaggio open source},
|
||
author = {Mattimax},
|
||
howpublished = {\url{https://huggingface.co/Mattimax/DACMini-IT}},
|
||
year = {2025},
|
||
note = {License: MIT. Se usi questo modello, per favore citane la fonte originale.}
|
||
}
|
||
```
|
||
---
|
||
|
||
# English version
|
||
|
||
## Description
|
||
|
||
**DACMini-IT** is a compact, instruction-tuned language model for **Italian chat and dialogue**.
|
||
Based on the **GPT-2 Small (Italian adaptation)** architecture, it is designed to be fast, lightweight, and easily deployable on low-resource devices.
|
||
|
||
Compared to the “base” DACMini, **DACMini-IT** is trained on Italian conversational datasets structured in *user-assistant* format, optimizing its ability to follow instructions and handle natural multi-turn conversations.
|
||
|
||
---
|
||
|
||
## Size and technical specs
|
||
|
||
* **Parameters:** 109M
|
||
* **Architecture:** GPT-2 Small (Italian adaptation)
|
||
* **Max context length:** 512 tokens
|
||
* **Number of layers:** 12
|
||
* **Number of attention heads:** 12
|
||
* **Embedding size:** 768
|
||
* **Vocabulary:** ~50,000 tokens
|
||
* **Quantization:** supported (optional 8-bit / 4-bit via `bitsandbytes`)
|
||
|
||
---
|
||
|
||
## Training dataset
|
||
|
||
Trained on [**Mattimax/DATA-AI_Conversation_ITA**](https://huggingface.co/datasets/Mattimax/DATA-AI_Conversation_ITA), an Italian instruction-tuned conversational dataset containing structured *prompt-response* pairs designed to promote coherent, natural, and grammatically correct answers.
|
||
|
||
---
|
||
|
||
## Objectives
|
||
|
||
* Italian-language chatbot with instruction-following capabilities.
|
||
* Concise, clear, and natural responses in multi-turn contexts.
|
||
* Lightweight or offline applications where model size is a constraint.
|
||
|
||
---
|
||
|
||
## Warnings and limitations
|
||
|
||
* **Experimental** model: may produce logical errors or irrelevant answers.
|
||
* Not trained on sensitive topics or specialized content.
|
||
* Limited performance on very long conversations or complex prompts.
|
||
* Not intended for commercial use without further validation.
|
||
|
||
---
|
||
|
||
## Recommended use
|
||
|
||
* Lightweight or offline Italian chatbot applications.
|
||
* Prototyping and testing of Italian NLP pipelines.
|
||
* Synthetic response generation and datasets for training or evaluation.
|
||
|
||
---
|
||
|
||
## Example inference code
|
||
|
||
```python
|
||
from transformers import AutoTokenizer, AutoModelForCausalLM
|
||
import torch
|
||
|
||
# 1. Load trained model and tokenizer
|
||
model_path = "Mattimax/DACMini-IT"
|
||
tokenizer = AutoTokenizer.from_pretrained(model_path)
|
||
model = AutoModelForCausalLM.from_pretrained(model_path)
|
||
model.eval()
|
||
|
||
# 2. Generation function
|
||
def chat_inference(prompt, max_new_tokens=150, temperature=0.7, top_p=0.9):
|
||
# Build input in the format used during training
|
||
formatted_prompt = f"<|user|> {prompt.strip()} <|assistant|>"
|
||
|
||
# Tokenize
|
||
inputs = tokenizer(formatted_prompt, return_tensors="pt")
|
||
|
||
# Generate response
|
||
with torch.no_grad():
|
||
output = model.generate(
|
||
**inputs,
|
||
max_new_tokens=max_new_tokens,
|
||
temperature=temperature,
|
||
top_p=top_p,
|
||
do_sample=True,
|
||
pad_token_id=tokenizer.pad_token_id or tokenizer.eos_token_id
|
||
)
|
||
|
||
# Decode and remove initial prompt
|
||
generated_text = tokenizer.decode(output[0], skip_special_tokens=True)
|
||
response = generated_text.split("<|assistant|>")[-1].strip()
|
||
return response
|
||
|
||
# 3. Usage example
|
||
if __name__ == "__main__":
|
||
while True:
|
||
user_input = input("👤 User: ")
|
||
if user_input.lower() in ["exit", "quit"]:
|
||
break
|
||
response = chat_inference(user_input)
|
||
print(f"🤖 Assistant: {response}\n")
|
||
```
|
||
|
||
---
|
||
|
||
## References
|
||
|
||
* Dataset: [Mattimax/DATA-AI_Conversation_ITA](https://huggingface.co/datasets/Mattimax/DATA-AI_Conversation_ITA)
|
||
* Base model: [DACMini](https://huggingface.co/Mattimax/DACMini)
|
||
* Organization: [M.INC](https://huggingface.co/MINC01)
|
||
* Collection: [Little_DAC Collection](https://huggingface.co/collections/Mattimax/little-dac-collection-68e11d19a5949d08e672b312)
|
||
|
||
---
|
||
|
||
## Citation
|
||
|
||
If you use **Mattimax/DACMini-IT** in a project, paper, or any work, please cite it using the `CITATION.bib` file included in the repository:
|
||
|
||
```bibtex
|
||
@misc{mattimax2025dacminiit,
|
||
title = {{Mattimax/DACMini-IT}: An open-source language model},
|
||
author = {Mattimax},
|
||
howpublished = {\url{https://huggingface.co/Mattimax/DACMini-IT}},
|
||
year = {2025},
|
||
note = {License: MIT. If you use this model, please cite the original source.}
|
||
}
|
||
``` |