caramelo-gemma4-e4b

Caramelo 4.4.1

Modelo de IA brasileiro treinado por Guilherme Favaron sobre modelos open source. Esta versão usa como base o google/gemma-4-E4B-it (Gemma 4 E4B, Apache-2.0) e aplica um fine-tune LoRA que treina síntese e comunicação na voz de escrita do autor: resposta direta em português do Brasil, argumento com dado e exemplo, sem hype e sem emoji.

A premissa do projeto: a forma de comunicar é parte da performance. Nos testes cegos abaixo, o fine-tune vence o próprio modelo base em qualidade, além do estilo. No ciclo em que o raciocínio bruto foi medido (3.4.2, 1.432 questões do ENEM), ele ficou no nível do base.

Em produção em ia-caramelo.com desde julho de 2026, servindo API compatível com a OpenAI, app web e CLI (caramelo-chat no npm). Gratuito, com limites de uso.

Uso

API grátis (compatível com a OpenAI)

O caminho mais rápido: a API em ia-caramelo.com já serve este modelo em produção, sem GPU e sem instalar nada. Crie a chave no app, menu Chaves de API, ou pela CLI (npm install -g caramelo-chat, depois caramelo login).

curl https://ia-caramelo.com/v1/chat/completions \
  -H "Authorization: Bearer $CARAMELO_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "caramelo",
    "messages": [{"role": "user", "content": "Resuma o que é um data warehouse em uma frase."}]
  }'

Qualquer SDK que fala com a OpenAI funciona trocando a base_url para https://ia-caramelo.com/v1. Modelos disponíveis: caramelo (conversa e escrita) e caramelo-code (código). Guia completo em ia-caramelo.com/docs.

Local com llama.cpp

Este repo inclui o GGUF Q4_K_M usado em produção (5,0 GiB, roda em CPU):

llama-server -hf guifav/caramelo-gemma4-e4b

O chat template do Gemma 4 liga thinking por padrão; para responder direto, como em produção, adicione --reasoning off.

Transformers (merge bf16)

from transformers import pipeline

pipe = pipeline("text-generation", model="guifav/caramelo-gemma4-e4b", torch_dtype="bfloat16", device_map="auto")
msgs = [{"role": "user", "content": "me explica RAG em duas frases"}]
print(pipe(msgs, max_new_tokens=400)[0]["generated_text"][-1]["content"])

Como foi treinado

• Base: google/gemma-4-E4B-it @ fee6332c (revision pinada; training_config.json registra o snapshot completo de hiperparâmetros, versões e revisions)
• Dataset: guifav/caramelo-dataset, 414 pares de correção de estilo (o mesmo dataset e a mesma receita do ciclo anterior; método e resultados do 4.4.1 no relatório técnico do 4.4.1, derivação completa do dataset no relatório do 3.4.2)
• Método: QLoRA 4-bit (r=16, alpha=32, dropout 0.05, 3 épocas, LR 2e-4), adapter de 34,9M parâmetros (0,44% do modelo); loss de treino 2,53 → 1,33
• Publicação: adapter em guifav/caramelo-gemma4-e4b-lora-adapter; este repo contém o merge em bf16 e o GGUF Q4_K_M usado em produção
• Script: finetune/gemma4_e4b/train_lora.py no repositório do projeto

A arquitetura base Gemma4ForConditionalGeneration é multimodal (any-to-any: texto, imagem e áudio), mas o Caramelo opera apenas em texto: o LoRA é anexado só no decoder textual (model.language_model.layers.*) e as pernas de vision/audio ficam congeladas. Por isso o pipeline_tag é text-generation.

Avaliação (A/B cego, 2 juízes LLM independentes)

Nos 24 prompts held-out do benchmark do projeto (a tabela mostra a faixa entre os dois juízes; os gráficos, a média deles):

O 4.4.1 escreve respostas mais completas que o 3.4.2 (~400 vs ~270 tokens em média); no julgamento cego, os juízes apontaram que a versão anterior omitia conteúdo relevante com mais frequência.

Esses números sustentam a premissa: treinar comunicação melhora a performance medida da tarefa. No ciclo anterior (3.4.2), o raciocínio bruto foi medido em 1.432 questões do ENEM e ficou no nível do base (57,5% vs 57,2%), enquanto a qualidade julgada às cegas venceu o base em 66–70%.

Produção

Servido em CPU (llama.cpp, GGUF Q4_K_M, 5,0 GiB) a ~18,5 tokens/s em 4 vCPUs. O chat template do Gemma 4 liga thinking por padrão; em produção o servidor roda com --reasoning off. A persona e a camada de segurança são injetadas server-side pelo gateway e têm prioridade sobre instruções do usuário.

Versões

O esquema de versão é caramelo {geração-Gemma}.{tamanho}.{iteração}.

• 4.4.1 (este repo): Gemma 4 E4B + LoRA, em produção. Adapter em guifav/caramelo-gemma4-e4b-lora-adapter.
• 3.4.2 (geração anterior): Gemma 3 4B + LoRA, em guifav/caramelo. É o ciclo documentado no relatório técnico e o da medição de raciocínio no ENEM.
• Dataset de treino das duas gerações: guifav/caramelo-dataset, 414 pares de correção de estilo.

Licença

O modelo base google/gemma-4-E4B-it é distribuído sob Apache-2.0; este fine-tune segue os mesmos termos. O dataset guifav/caramelo-dataset é de propriedade de Guilherme Favaron. Confirme a licença vigente na página do modelo base antes de redistribuir.

Segurança

A camada de segurança do Caramelo em produção é aplicada server-side pelo gateway em ia-caramelo.com. Estes pesos não devem ser usados sem moderação própria.