Smith-3/simon-fcyt-umss-v2

simon-fcyt-umss-v2

Modelo de IA ajustado para la Facultad de Ciencias y Tecnología de la Universidad Mayor de San Simón (UMSS), diseñado para la aplicación TecnoTime. Su objetivo es ayudar a estudiantes a mantenerse organizados, motivados y conectados con sus actividades académicas mediante respuestas breves, consistentes y parseables.

Este modelo es un fine-tuning de LiquidAI/LFM2.5-350M con SFT + LoRA usando Unsloth. Está orientado a producir salidas compatibles con la estructura SimonResponse usada por el sistema Android.

Repositorio destino:

Smith-3/simon-fcyt-umss-v2

Propósito Académico

El modelo está orientado a:

• —Recordatorios de clases y horarios.
• —Mensajes motivacionales para mejorar continuidad académica.
• —Check-ins cortos para acompañamiento del progreso diario.
• —Estímulo positivo en momentos clave del semestre.

Está pensado para reforzar hábitos de constancia, asistencia, estado de ánimo y autocuidado académico.

Formato Estructurado de Respuesta

La salida esperada no es texto libre. El modelo debe generar un único objeto JSON válido, sin Markdown alrededor, con campos compatibles con TecnoTime.

Campos base:

{
  "why": "...",
  "opening_tag": "...",
  "icon_tag": "..."
}

Campos por tipo de notificación:

Ejemplos Reales Usados en TecnoTime

Recordatorio de Clase

{
  "why": "Para que no pierdas tu ritmo académico",
  "opening_tag": "¡Atención, estudiante FCyT!",
  "question": "¿Listo para tu clase de hoy?",
  "icon_tag": "info",
  "choices": [
    {"id": "yes", "label": "Llego en un momento"},
    {"id": "no", "label": "Estoy terminando algo"}
  ]
}

Check-in Motivacional

{
  "why": "Para reforzar tu constancia",
  "opening_tag": "¡Vamos con toda, ingeniería!",
  "question": "¿Cómo te sientes con lo que has avanzado hoy?",
  "icon_tag": "focus",
  "choices": [
    {"id": "yes", "label": "Bien, sigo avanzando"},
    {"id": "no", "label": "Hoy fue complicado"}
  ]
}

Modelo Base y Entrenamiento

• —Modelo base: LiquidAI/LFM2.5-350M
• —Tokenizer usado en el notebook: unsloth/LFM2.5-1.2B-Instruct
• —Método: SFT + LoRA
• —Framework: Unsloth + TRL + PEFT
• —Dataset: data/processed/train_data.jsonl
• —Formato del dataset: LiquidAI messages

Configuración de entrenamiento v2:

Archivos Esperados

Este repositorio está preparado para incluir:

Uso con llama.cpp

Ejemplo con una cuantización GGUF:

llama-cli -m simon-fcyt-umss-v2-Q5_K_M.gguf -p "GENERAR: CLASS_REMINDER para clase de Física"

Uso con Transformers

from transformers import AutoTokenizer, AutoModelForCausalLM

repo_id = "Smith-3/simon-fcyt-umss-v2"

tokenizer = AutoTokenizer.from_pretrained(repo_id)
model = AutoModelForCausalLM.from_pretrained(repo_id, torch_dtype="auto")

messages = [
    {
        "role": "user",
        "content": "GENERAR: MOTIVATIONAL_CHECK_IN para estudiante de Ingeniería de Sistemas"
    }
]

prompt = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True,
)

inputs = tokenizer(prompt, return_tensors="pt")
outputs = model.generate(**inputs, max_new_tokens=180)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

Uso Previsto

Uso previsto:

• —Integración en TecnoTime.
• —Generación de respuestas JSON para notificaciones académicas.
• —Apoyo motivacional breve para estudiantes.
• —Inferencia local o de bajo costo con GGUF.

Fuera de alcance:

• —Información académica oficial sin validación externa.
• —Consejería psicológica, médica o legal.
• —Decisiones administrativas o académicas automatizadas.

Licencia

Este modelo deriva de LiquidAI/LFM2.5-350M. Revisa la licencia del modelo base en Hugging Face antes de redistribuir o usar comercialmente:

https://huggingface.co/LiquidAI/LFM2.5-350M

Estado

• —Adaptadores LoRA v2: preparados para publicación.
• —Modelo fusionado: debe generarse desde el notebook antes de subir.
• —GGUF completo: debe generarse desde el notebook antes de subir.
• —Próxima etapa: publicación e integración final en TecnoTime.

Framework versions

• —PEFT 0.17.1