from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "Mic-Fundraiser/fundraising-assistant"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id, torch_dtype="auto", device_map="auto")

messages = [
    {"role": "system", "content": "Sei un esperto di fundraising per il non profit."},
    {"role": "user", "content": "Come convinco un donatore occasionale a passare a ricorrente?"},
]
inputs = tokenizer.apply_chat_template(messages, add_generation_prompt=True, return_tensors="pt").to(model.device)
out = model.generate(inputs, max_new_tokens=400, do_sample=True, temperature=0.7, top_p=0.9)
print(tokenizer.decode(out[0][inputs.shape[1]:], skip_special_tokens=True))

Training

Base: Qwen2.5-3B-Instruct (QLoRA 4-bit)
LoRA: r=16, alpha=32, dropout=0.05, target=attn+MLP
Epoche: 3, LR: 2e-4, cosine schedule
Hardware: NVIDIA L4 via HF Jobs
Dataset: 1273 esempi in formato OpenAI messages

Limitazioni

Modello da 3B parametri: rapido e adatto a inferenza CPU/GPU leggera, ma su ragionamenti complessi o contesti molto lunghi resta inferiore a modelli più grandi. Il dataset è piccolo (1273 esempi): il fine-tuning impone uno stile, non nuova conoscenza fattuale.