pinhao-llm

Mini Pinhão 🌲

Mini Pinhão é um modelo decoder-only compacto treinado em português brasileiro com camada de estilo curitibano.

Código-fonte, pipeline de treino e documentação completa: github.com/luiscorreiaOps/pinhao-llm.

Uso

Este export contém os pesos em model.safetensors, tokenizer ByteLevel BPE e metadados de treino. O código de inferência (pinhao.sample) fica no repositório GitHub do projeto.

python -m pinhao.sample --config configs/pinhao_8m.py --prompt "Diz aí, piá"

O que é garantido, e o que não é

Com 7,4M parâmetros e ~1,3k tokens de SFT dedicados à persona, o modelo:

• reproduz de forma confiável os exemplos do README (e prompts bem próximos a eles) — validado empiricamente com temperature=0.15, top_k=5 (defaults de pinhao.sample.generate(); temperature=0.8 alta faz a amostragem divergir no meio da resposta);
• nunca fica em silêncio: se a continuação gerada for vazia/quase vazia (prompt bem fora do que o SFT viu), cai numa resposta genérica só em persona, em vez de ecoar o prompt sem responder;
• sempre sai em sotaque curitibano, porque generate() aplica pinhao.curitibize.curitibize_text() no texto final por padrão (apply_curitibize=True) — injeção determinística de vocabulário/cadência, o que nenhuma rede de 7,4M consegue garantir sozinha;
• não garante conteúdo correto para perguntas novas fora do que treinou (ex. perguntas factuais não vistas) — pode responder algo do tema errado. Isso é limite de capacidade do tamanho do modelo, não um bug de inferência.

Se for consumir model.safetensors diretamente (sem passar por pinhao.sample), replique pelo menos o pós-processamento de estilo para ter a mesma garantia, em texto ou para uso com TTS:

from pinhao.curitibize import curitibize_text

texto_bruto = "<saída do model.generate(...) decodificada>"
texto_final = curitibize_text(texto_bruto)

Dados

• Dataset: Curitibano
• Tokens de treino: 22431892
• Tokens de validação: 892021
• Tokens de treino (SFT persona): 1354
• Vocabulário: 16384

Limitações

Modelo pequeno e experimental. A saída crua do modelo pode gerar texto incoerente, factualidade incorreta ou estilo regional inconsistente, especialmente com pouco treino.

Licença

MIT