language, license, base_model, library_name, pipeline_tag, tags

language	license	base_model	library_name	pipeline_tag	tags
es	other	LiquidAI/LFM2.5-350M	peft	text-generation	base_model:adapter:LiquidAI/LFM2.5-350M lora sft transformers trl unsloth

simon-fcyt-umss-v2

Modelo de IA ajustado para la Facultad de Ciencias y Tecnología de la Universidad Mayor de San Simón (UMSS), diseñado para la aplicación TecnoTime. Su objetivo es ayudar a estudiantes a mantenerse organizados, motivados y conectados con sus actividades académicas mediante respuestas breves, consistentes y parseables.

Este modelo es un fine-tuning de LiquidAI/LFM2.5-350M con SFT + LoRA usando Unsloth. Está orientado a producir salidas compatibles con la estructura SimonResponse usada por el sistema Android.

Repositorio destino:

Smith-3/simon-fcyt-umss-v2

Propósito Académico

El modelo está orientado a:

• Recordatorios de clases y horarios.
• Mensajes motivacionales para mejorar continuidad académica.
• Check-ins cortos para acompañamiento del progreso diario.
• Estímulo positivo en momentos clave del semestre.

Está pensado para reforzar hábitos de constancia, asistencia, estado de ánimo y autocuidado académico.

Formato Estructurado de Respuesta

La salida esperada no es texto libre. El modelo debe generar un único objeto JSON válido, sin Markdown alrededor, con campos compatibles con TecnoTime.

Campos base:

{
  "why": "...",
  "opening_tag": "...",
  "icon_tag": "..."
}

Campos por tipo de notificación:

Tipo de notificación	Requiere	No debe incluir
MOTIVATIONAL_CHECK_IN	question, choices con 2 opciones	-
CLASS_REMINDER	question, choices con 2 opciones	-
CHECK_IN_CLOSURE	message o reminder_copy	choices
REMINDER_CLOSURE	reminder_copy	choices

Ejemplos Reales Usados en TecnoTime

Recordatorio de Clase

{
  "why": "Para que no pierdas tu ritmo académico",
  "opening_tag": "¡Atención, estudiante FCyT!",
  "question": "¿Listo para tu clase de hoy?",
  "icon_tag": "info",
  "choices": [
    {"id": "yes", "label": "Llego en un momento"},
    {"id": "no", "label": "Estoy terminando algo"}
  ]
}

Check-in Motivacional

{
  "why": "Para reforzar tu constancia",
  "opening_tag": "¡Vamos con toda, ingeniería!",
  "question": "¿Cómo te sientes con lo que has avanzado hoy?",
  "icon_tag": "focus",
  "choices": [
    {"id": "yes", "label": "Bien, sigo avanzando"},
    {"id": "no", "label": "Hoy fue complicado"}
  ]
}

Modelo Base y Entrenamiento

• Modelo base: LiquidAI/LFM2.5-350M
• Tokenizer usado en el notebook: unsloth/LFM2.5-1.2B-Instruct
• Método: SFT + LoRA
• Framework: Unsloth + TRL + PEFT
• Dataset: data/processed/train_data.jsonl
• Formato del dataset: LiquidAI messages

Configuración de entrenamiento v2:

Parámetro	Valor
Épocas	3
Batch por dispositivo	4
Acumulación de gradiente	4
Batch efectivo	16
Learning rate	2e-4
Scheduler	cosine
Warmup ratio	0.03
LoRA rank	16
LoRA alpha	32
LoRA dropout	0.05

Archivos Esperados

Este repositorio está preparado para incluir:

Archivo o variante	Uso recomendado
Adaptadores LoRA	Respaldo reproducible del fine-tuning
Modelo fusionado 16-bit	Versión principal para despliegue o conversión
F16 GGUF	Referencia de mayor tamaño
Q8_0 GGUF	Alta calidad, requiere más RAM
Q6_K GGUF	Buen equilibrio con alta calidad
Q5_K_M GGUF	Mejor equilibrio calidad/rendimiento
Q4_K_M GGUF	Equipos de bajos recursos, laboratorios o laptops modestas
Q3_K_M GGUF	Variante más liviana

Uso con llama.cpp

Ejemplo con una cuantización GGUF:

llama-cli -m simon-fcyt-umss-v2-Q5_K_M.gguf -p "GENERAR: CLASS_REMINDER para clase de Física"

Uso con Transformers

from transformers import AutoTokenizer, AutoModelForCausalLM

repo_id = "Smith-3/simon-fcyt-umss-v2"

tokenizer = AutoTokenizer.from_pretrained(repo_id)
model = AutoModelForCausalLM.from_pretrained(repo_id, torch_dtype="auto")

messages = [
    {
        "role": "user",
        "content": "GENERAR: MOTIVATIONAL_CHECK_IN para estudiante de Ingeniería de Sistemas"
    }
]

prompt = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True,
)

inputs = tokenizer(prompt, return_tensors="pt")
outputs = model.generate(**inputs, max_new_tokens=180)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

Uso Previsto

Uso previsto:

• Integración en TecnoTime.
• Generación de respuestas JSON para notificaciones académicas.
• Apoyo motivacional breve para estudiantes.
• Inferencia local o de bajo costo con GGUF.

Fuera de alcance:

• Información académica oficial sin validación externa.
• Consejería psicológica, médica o legal.
• Decisiones administrativas o académicas automatizadas.

Licencia

Este modelo deriva de LiquidAI/LFM2.5-350M. Revisa la licencia del modelo base en Hugging Face antes de redistribuir o usar comercialmente:

https://huggingface.co/LiquidAI/LFM2.5-350M

Estado

• Adaptadores LoRA v2: preparados para publicación.
• Modelo fusionado: debe generarse desde el notebook antes de subir.
• GGUF completo: debe generarse desde el notebook antes de subir.
• Próxima etapa: publicación e integración final en TecnoTime.

Framework versions

• PEFT 0.17.1