初始化项目，由ModelHub XC社区提供模型

Model: Mic-Fundraiser/fundraising-assistant
Source: Original Platform

README.md

@@ -0,0 +1,59 @@
+---
+language:
+- it
+license: apache-2.0
+base_model: Qwen/Qwen2.5-3B-Instruct
+pipeline_tag: text-generation
+library_name: transformers
+tags:
+- fundraising
+- non-profit
+- italian
+- conversational
+- sft
+- lora
+datasets:
+- Mic-Fundraiser/fundraising-italian-sft
+---
+
+# Fundraising Assistant
+
+Modello conversazionale in italiano specializzato in fundraising e raccolta fondi per il non profit.
+
+Fine-tuning (SFT + LoRA, poi merge) di `Qwen/Qwen2.5-3B-Instruct` sul dataset [`Mic-Fundraiser/fundraising-italian-sft`](https://huggingface.co/datasets/Mic-Fundraiser/fundraising-italian-sft).
+
+## Caratteristiche
+
+- Stile: competente, diretto, tono da "giovane professore"
+- Nessuna premessa inutile, nessuna antitesi, niente elenchi infiniti
+- Ottimizzato per scrivere DEM, lettere, proposte per il non profit
+
+## Uso
+
+```python
+from transformers import AutoModelForCausalLM, AutoTokenizer
+
+model_id = "Mic-Fundraiser/fundraising-assistant"
+tokenizer = AutoTokenizer.from_pretrained(model_id)
+model = AutoModelForCausalLM.from_pretrained(model_id, torch_dtype="auto", device_map="auto")
+
+messages = [
+    {"role": "system", "content": "Sei un esperto di fundraising per il non profit."},
+    {"role": "user", "content": "Come convinco un donatore occasionale a passare a ricorrente?"},
+]
+inputs = tokenizer.apply_chat_template(messages, add_generation_prompt=True, return_tensors="pt").to(model.device)
+out = model.generate(inputs, max_new_tokens=400, do_sample=True, temperature=0.7, top_p=0.9)
+print(tokenizer.decode(out[0][inputs.shape[1]:], skip_special_tokens=True))
+```
+
+## Training
+
+- Base: Qwen2.5-3B-Instruct (QLoRA 4-bit)
+- LoRA: r=16, alpha=32, dropout=0.05, target=attn+MLP
+- Epoche: 3, LR: 2e-4, cosine schedule
+- Hardware: NVIDIA L4 via HF Jobs
+- Dataset: 1273 esempi in formato OpenAI messages
+
+## Limitazioni
+
+Modello da 3B parametri: rapido e adatto a inferenza CPU/GPU leggera, ma su ragionamenti complessi o contesti molto lunghi resta inferiore a modelli più grandi. Il dataset è piccolo (1273 esempi): il fine-tuning impone uno *stile*, non nuova conoscenza fattuale.