Trasgu-3B-GGUF

<p align="center"> <img src="Utils/Banner-Trasgu.PNG" alt="Trasgu Banner"> </p> <h1 align="center">Trasgu-3B-GGUF — llionés (Qwen2.5 + Unsloth, GGUF F16 / Q5_K_M)</h1> <p align="center"> <img src="Utils/Logo-Trasgu.png" alt="Trasgu Logo" width="90"> </p>

Finetuning de Qwen2.5-3B con Unsloth en Google Colab, entrenado y evaluado con el dataset
unileon-robotics/lliones-dict-tr (pares input→output).
Este repositorio publica artefactos GGUF en dos variantes: F16 y Q5_K_M (compatibles con llama.cpp y derivados).
La versión Transformers/PyTorch (FP16) está en Trasgu-3B.

---

Descripción

Trasgu-3B-GGUF distribuye el modelo conversacional en llionés (leonés) en formato GGUF.
El modelo fue finetuned de forma supervisada sobre pares input→output de lliones-dict-tr.
El repositorio -GGUF incluye dos artefactos: F16 (máxima fidelidad en GGUF) y Q5_K_M (cuantizado y más ligero).

---

Archivos de utilidad

• Banner: Utils/Banner-Trasgu.PNG
• Logo: Utils/Logo-Trasgu.png
• Training notebook: Utils/Training_Notebook.ipynb
• Testing notebook (evaluación): Utils/Testing_Notebook.ipynb
• Configuración de entrenamiento (hiperparámetros y chat template): Utils/config_entrenamiento.json

---

Dataset

• Principal (entrenamiento/evaluación): unileon-robotics/lliones-dict-tr — dataset estructurado de pares input–output (traducciones, vocabulario, significados llionés↔español).
  Cada ejemplo se formatea como turno de chat con la chat template de Qwen 2.5 (instrucción → respuesta) antes del finetuning.
• Corpus adicional (no usado en el finetuning): unileon-robotics/lliones-corpus — texto no estructurado en llionés. No se utilizó aquí por no aportar señal supervisada como lliones-dict-tr, pero queda disponible para quien lo necesite.

---

Metodología de evaluación

Para cada ejemplo del dataset (N = 3000):

1. Se consulta el modelo con la entrada (instrucción/pregunta).
2. Se compara la salida con la respuesta de referencia mediante dos medidas (0–100):

• Fuzzy (mean_fuzzy): fuzzy ratio (coincidencia textual aproximada).
• Semantic (mean_semantic): cosine similarity de embeddings con
  sentence-transformers/all-MiniLM-L6-v2.

Puntuación final por ejemplo: score_ejemplo = max(fuzzy, semantic)
Agregados: mean_fuzzy, mean_semantic y mean_similarity (media de score_ejemplo, métrica final).

---

Resultados (todas las variantes · 3.000 ejemplos)

Este repositorio corresponde a: Trasgu-3B (Q5_K_M) y también contiene el artefacto F16 en GGUF.
En la tabla: (F16) enlaza al repo PyTorch y (Q5_K_M) al repo -GGUF.

---

Entrenamiento (resumen)

• Base model: unsloth/Qwen2.5-3B · Framework: Unsloth (LoRA) en Google Colab
• Épocas: 3 · max_seq_length: 4096
• Optimización: paged_adamw_8bit · learning_rate: 2e-4 · lr_scheduler: linear · warmup_ratio: 0.1 · weight_decay: 0.01
• Precisión: FP16
• LoRA: r=128, α=256, dropout=0.1, bias=none; target_modules = q_proj,k_proj,v_proj,o_proj,gate_proj,up_proj,down_proj,embed_tokens,lm_head
• Gradient checkpointing: unsloth
• Quantization (publicada aquí): F16 y Q5_K_M en formato GGUF
• Chat template: Qwen 2.5; campos: input, output → text (+ append_eos_token=true)
• Config detallada: Utils/config_entrenamiento.json

---

Notas

• Dominio: métricas en la distribución de lliones-dict-tr; fuera de ella, el rendimiento puede variar.
• Formato: este repo -GGUF incluye F16 y Q5_K_M; la versión PyTorch (FP16) está en Trasgu-3B.