File size: 1,683 Bytes
b0f621a |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 |
---
license: mit
language:
- es
base_model:
- meta-llama/Llama-3.1-8B-Instruct
---
# 🤖 Interius LLM — Strategic Marketing Agent
Este modelo ha sido afinado con **QLoRA** sobre `LLaMA 3.1` para funcionar como un asesor inteligente de estrategias publicitarias. Forma parte de la plataforma **Interius**, un sistema que optimiza campañas digitales para instituciones educativas en LATAM.
## 📦 Dataset de Entrenamiento
Entrenado con un dataset instructivo de más de 300 ejemplos tipo Alpaca con el siguiente formato:
- `instruction`: qué pregunta el usuario
- `input`: contexto adicional
- `output`: respuesta estructurada en copywriting, asignación de presupuesto, targeting y más
## 🎯 Casos de uso esperados
- Simulación de estrategias publicitarias
- Generación de copys persuasivos
- Evaluación de canales según eficiencia
- Asistencia a ejecutivos de cuentas en agencias
## ⚙️ Detalles técnicos
- Base model: `meta-llama/Llama-3.2-1B`
- Técnica: `QLoRA` + `PEFT`
- Tokenizer adaptado
- Parámetros entrenables: solo LoRA adapters
- Máximo contexto: 512 tokens
## 🧠 Ejemplo de uso
```python
from transformers import AutoModelForCausalLM, AutoTokenizer
import torch
model = AutoModelForCausalLM.from_pretrained("RafaM97/Interius-LLM", device_map="auto", torch_dtype=torch.float16)
tokenizer = AutoTokenizer.from_pretrained("RafaM97/Interius-LLM")
prompt = "¿Cómo distribuir $50,000 entre Google y Meta para una campaña educativa en Monterrey?"
inputs = tokenizer(prompt, return_tensors="pt").to("cuda")
outputs = model.generate(**inputs, max_new_tokens=300)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))
---
license: mit
--- |