Downloads · 30 days
79
9% of all-time downloads
nickprock/Gemma3-1B-CulturaViva-ITA
Gemma3-1B-CulturaViva-ITA is a text generation model from nickprock. Use it when you need the model to write or continue text. It is set up for transformers. The card lists the license as apache-2.0.
Gemma3-1B-CulturaViva-ITA è un modello linguistico basato sull'architettura Gemma 3 (1B parametri), sottoposto a fine-tuning per specializzarsi nella comprensione e generazione di testi relativi alla cultura, storia e…
Downloads · 30 days
79
9% of all-time downloads
All-time downloads
891
Public
Parameters
1000M
4.1 GB on disk
Likes
3
Public
Click a slice to open those files.
.safetensors2 GB · 98%
From the Hugging Face model README
Gemma3-1B-CulturaViva-ITA è un modello linguistico basato sull'architettura Gemma 3 (1B parametri), sottoposto a fine-tuning per specializzarsi nella comprensione e generazione di testi relativi alla cultura, storia e tradizioni italiane.
Questo modello è stato addestrato per rispondere in italiano in modo accurato e contestualizzato, superando le barriere linguistiche e culturali dei modelli base generalisti. I pesi LoRA sono già stati uniti al modello base, rendendolo un modello standalone pronto all'uso.
it)transformers, peft, trlIl modello è ideale per:
Il metodo più veloce per provare il modello sul tuo PC, sfruttando la versione quantizzata a 4-bit (leggerissima ed efficiente), è utilizzare Ollama.
Apri il tuo terminale e lancia questo comando. Ollama scaricherà automaticamente il modello da Hugging Face e avvierà la chat:
ollama run hf.co/nickprock/Gemma3-1B-CulturaViva-ITA-Q4_K_M-GGUF
Se vuoi personalizzare il comportamento del modello (ad esempio, dandogli un ruolo specifico o cambiando la creatività), crea un file di testo chiamato Modelfile sul tuo PC e inserisci questo codice:
# Usa direttamente il repository di Hugging Face!
FROM hf.co/nickprock/Gemma3-1B-CulturaViva-ITA-Q4_K_M-GGUF
# Imposta i parametri di generazione
PARAMETER temperature 0.7
PARAMETER num_ctx 4096
# Imposta un system prompt per dare contesto al modello
SYSTEM """Sei un assistente virtuale esperto di cultura, storia e tradizioni italiane. Rispondi alle domande in italiano in modo chiaro, accurato e appassionato."""
Apri il terminale nella stessa cartella del file e lancia:
# Crea il tuo assistente personalizzato
ollama create CulturaViva -f Modelfile
# Avvia la chat!
ollama run CulturaViva
Per gli sviluppatori che desiderano integrare il modello base a 16-bit nei loro script Python:
from transformers import AutoModelForCausalLM, AutoTokenizer
import torch
model_id = "nickprock/Gemma3-1B-CulturaViva-ITA"
# 1. Carica Tokenizer e Modello
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
model_id,
torch_dtype=torch.float16,
device_map="auto"
)
# 2. Prepara il prompt utilizzando il chat template
messages = [
{"role": "user", "content": "Parlami dell'importanza del Rinascimento italiano nell'arte."}
]
prompt = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
inputs = tokenizer(prompt, return_tensors="pt").to(model.device)
# 3. Genera la risposta
outputs = model.generate(**inputs, max_new_tokens=300, temperature=0.7)
# 4. Decodifica e stampa solo la risposta generata
input_length = inputs["input_ids"].shape[1]
response = tokenizer.decode(outputs[0][input_length:], skip_special_tokens=True)
print(response)
Il processo di fine-tuning è stato un percorso di ottimizzazione intensivo, calibrato per estrarre le massime performance dall'hardware limitando il consumo di VRAM.
merge_and_unload).all-linearCAUSAL_LMbfloat16 nativo.Il modello ha completato un'epoca intera elaborando oltre 26,4 milioni di token. La curva di apprendimento si è rivelata estremamente sana, mostrando una totale assenza di Overfitting. La Validation Loss ha seguito in parallelo la Training Loss fino alla fine, confermando una straordinaria capacità di generalizzazione del modello sui dati non visti. L'accuratezza media sui token ha superato il 70%.
Evoluzione delle Metriche (Campionamento sull'Epoca):
| Progresso Epoca | Training Loss | Validation Loss | Token Accuracy |
|---|---|---|---|
| ~20% | 1.155 | 1.178 | 69.8% |
| ~40% | 1.147 | 1.146 | 70.3% |
| ~60% | 1.136 | 1.132 | 70.5% |
| ~80% | 1.108 | 1.124 | 70.7% |
| ~100% | 1.142 | 1.120 | 70.7% |
Performance di Sistema: