language, license, base_model, pipeline_tag, library_name, tags, datasets

language	license	base_model	pipeline_tag	library_name	tags	datasets
it	apache-2.0	Qwen/Qwen2.5-3B-Instruct	text-generation	transformers	fundraising non-profit italian conversational sft lora	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.

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

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.