Update README.md

README.md

@@ -1,3 +1,48 @@
----
-license: mit
----
+---
+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
+---