guiiwfz/logi-1.5b

LOGI — Tutor de Logica e IA

LOGI e um modelo de linguagem em portugues treinado para atuar como tutor educacional do jogo Decifra.IA. Ele responde perguntas sobre logica proposicional, conceitos de inteligencia artificial e cenarios de uso critico de IA no cotidiano.

O que e o Decifra.IA

Decifra.IA e um jogo educacional desenvolvido como projeto de pesquisa com foco em alfabetizacao digital e letramento em inteligencia artificial. O jogador explora fases que ensinam raciocinio logico e conceitos de IA de forma ludica. Ao pressionar a tecla H, LOGI aparece como assistente contextual para dar dicas, explicacoes e provocar reflexao critica.

Capacidades

• —Logica proposicional: AND, OR, NOT, IMPLICA, BICONDICIONAL, tabelas-verdade, provas
• —Conceitos de IA: alucinacao, vies, RAG, fine-tuning, embeddings, modelos de linguagem, privacidade
• —Cenarios H-key: deepfakes, phishing, LGPD, vigilancia algoritmica, bolhas de filtro
• —Guardrails: recusa educada para perguntas fora do escopo (instalacao de software, codigo, consultas medicas)

Treinamento

Composicao do Dataset

O dataset foi construido manualmente e cobre duas grandes areas:

• —Logica proposicional (57,6% — 681 exemplos): tabelas-verdade, operadores logicos, provas formais, exercicios didaticos
• —AI Literacy + Guardrails (42,4% — 502 exemplos): conceitos de IA, cenarios de uso critico, recusas educadas, identidade do modelo

Total: 1.183 exemplos apos deduplicacao de 1.312 brutos.

Avaliacao

Suite de 25 testes automatizados em 6 categorias, rodados apos o treinamento:

Score geral: ~88% (22/25)

Como usar

from unsloth import FastLanguageModel
import torch

model, tokenizer = FastLanguageModel.from_pretrained(
    model_name='guiiwfz/logi-1.5b',
    max_seq_length=1024,
    dtype=None,
    load_in_4bit=True,
)
FastLanguageModel.for_inference(model)

msgs = [
    {'role': 'system', 'content': 'Voce e LOGI.'},
    {'role': 'user',   'content': 'Dado P = Verdadeiro e Q = Falso, qual o valor de P AND Q?'},
]

inputs = tokenizer.apply_chat_template(
    msgs, tokenize=True, add_generation_prompt=True, return_tensors='pt'
).to('cuda')

out = model.generate(input_ids=inputs, max_new_tokens=300, temperature=0.1, do_sample=True)
print(tokenizer.decode(out[0][inputs.shape[-1]:], skip_special_tokens=True))

Saida esperada:

Passo 1: P = Verdadeiro, Q = Falso
Passo 2: AND e verdadeiro somente quando ambos os operandos sao verdadeiros
Passo 3 (Conclusao): Verdadeiro AND Falso = Falso
Resposta: Falso

Limitacoes

• —Treinado exclusivamente em portugues brasileiro
• —Escopo restrito: logica proposicional e conceitos introdutorios de IA
• —IMPLICA com P=V, Q=F apresenta inconsistencias ocasionais (em correcao via DPO)
• —Nao recomendado para uso fora do contexto educacional do Decifra.IA sem ajustes adicionais
• —Nao possui acesso a internet ou base de dados externa

Licenca

Apache 2.0 — veja LICENSE para detalhes.

Desenvolvido como parte do projeto de pesquisa Decifra.IA.