MLK-de-Vila-1.0-1.3B

MLK de Vila 1.0-1.3B

<p align="center"> <strong>LLM de educação financeira que fala a língua da periferia brasileira</strong> </p>

MLK de Vila é um modelo de linguagem fine-tuned para ser um educador financeiro que compreende e responde no dialeto da periferia brasileira. Treinado inteiramente em hardware acessível (8GB de memória, GPU integrada, processador ARM).

Model Details

Training Pipeline

Gemma 3 1B IT ──CPT──→ Dialeto bruto ──SFT──→ Dialeto + Conteúdo ──DPO──→ Modelo Final
                 ↓            ↓                     ↓                        ↓
            Vocabulário   Como falar           O que falar              Qual estilo
            e estruturas  da periferia         sobre finanças           preferir

Continuous Pre-Training (CPT)

• Data: 302k tokens — 99 transcrições YouTube, artigos, textos sintéticos em dialeto
• Config: LoRA rank 32, scale 20.0, 10 layers, LR 2e-5, 500 iters
• Result: Val loss 4.362 → 3.258 (25% reduction)

Supervised Fine-Tuning (SFT)

• Data: 180k tokens — 558 instruction-response pairs (94 financial topics, 64 slang terms)
• Config: LoRA rank 16, scale 10.0, 12 layers, LR 1e-5, 1950 iters
• Result: Val loss 4.518 → 1.587

Direct Preference Optimization (DPO)

• Data: 360k tokens — 564 preference pairs (dialect chosen vs formal rejected)
• Config: LoRA rank 4, 4 layers, 479K params, beta 0.3, LR 1e-6, 300 iters
• Result: Loss 0.693 → 0.495

Results

Benchmark (16 questions: 8 formal + 8 dialect)

Interpretability Test

Input (100% slang):

"Ae parceiro, to no busão chegando na quebrada, mano esse bagulho de grana é embaçado, você dá mó trampo e essa parada de inflação engole sua grana. Na moral, papo reto memo, você precisa pegar a visão de investir."

Model response:

"Vou te passar a visão de investir, mas é importante entender que não é pra ser feito no seu bolso. Se você é um estudante, um jovem de 17 anos, tem que ter um plano. O dinheiro que você ganha no mês é pra ser usado com responsabilidade. Por exemplo, se você é MEI e tem R$ 1.200 por mês, é melhor que você anote cada centavo que recebe e distribua para despesas fixas, como aluguel, contas, e depois deixar um monte pra investir."

The model: (1) understood the intent, (2) responded in dialect ("passar a visão"), (3) provided concrete financial advice contextualized for a young person.

How to Use

With MLX (recommended for Apple Silicon)

from mlx_lm import load, generate

model, tokenizer = load("lbertolino/MLK-de-Vila-1.0-1.3B")

# IMPORTANT: <end_of_turn> is NOT EOS in Gemma 3 — must add manually
tokenizer.add_eos_token("<end_of_turn>")

messages = [{"role": "user", "content": "Mano, como organizar a grana do mês?"}]
prompt = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)

response = generate(model, tokenizer, prompt=prompt, max_tokens=500)
print(response)

Gradio Demo

git clone https://github.com/LeviBertolino/MLK-De-Vila.git
cd MLK-De-Vila
pip install mlx-lm gradio
python app.py

Important Notes

1. <end_of_turn> is NOT EOS in Gemma 3. You MUST add tokenizer.add_eos_token("<end_of_turn>") or the model will generate infinitely after the end of turn.

2. Do NOT use system messages. The model was trained with mask_prompt=True, which means it never learned to associate system messages with response style. Including a system message causes immediate <end_of_turn> generation.

3. This model is optimized for MLX on Apple Silicon. For other frameworks, you may need to convert the weights.

Training Data

The 64 slang terms used include: mano, parceiro, trampo, grana, bico, quebrada, padoca, busão, corre, maloca, perrengue, rolê, bagulho, embaçado, suave, de boa, na moral, pode crer, é nóis, tá ligado, passa a visão, papo reto, correria, among others.

Key Technical Discoveries

• Aggressive CPT is essential to break the alignment resistance of instruction-tuned models
• 6 bad examples (1% of dataset) corrupted the entire SFT — data quality > quantity
• RAG cannot achieve dialect adaptation — it operates on content, not style
• alpha parameter is ignored by mlx-lm — only rank, scale, dropout are effective
• System message + mask_prompt = broken — model generates immediate <end_of_turn>

Limitations

• Small CPT corpus (~302k tokens) — more authentic speech data could deepen comprehension
• Qualitative benchmark with 16 questions — automatic dialect metrics are needed
• Aggressive CPT can introduce undesirable associations (e.g., periferia → crime) corrected by SFT/DPO
• Some SFT/DPO responses show repetitions, suggesting incomplete fluency internalization
• Deep/uncommon slang (e.g., "goma" = work) still has limited comprehension

Paper & Code

• Paper: GitHub README
• Code: GitHub Repository
• Datasets: Included in the GitHub repository under data/

Citation

@misc{bertolino2025mlkdevila,
  title={Mlk de Vila: Fine-Tuning de LLMs para Educação Financeira no Dialeto da Periferia Brasileira},
  author={Bertolino, Levi},
  year={2025},
  url={https://github.com/LeviBertolino/MLK-De-Vila}
}

License

Apache 2.0 — Same as the base model (Gemma 3).

---

<p align="center"> <em>"Quando o jovem da quebrada pergunta 'Mano, como organizar a grana do mês?' e o modelo responde com orientação financeira concreta no dialeto dele — isso não é tradução. É comunicação."</em> </p>