Echoes-1.5-Base é um modelo de linguagem de 870M parâmetros treinado do zero em português brasileiro, usando exclusivamente TPU v5e-8 gratuita do Kaggle.

Sucessor do Echoes-1-Base (536M / 17.2B tokens). Cresceu em parâmetros, em tokens e em contexto, e trocou a arquitetura por Qwen3Next denso.

Detalhes do modelo

Especificação	Valor
Parâmetros	870.2M (embeddings amarrados)
Arquitetura	Qwen3Next denso (GQA 12Q/2KV, head_dim 128, QK-norm)
Camadas / Hidden	18 / 1536
MLP intermediário	8192 (SwiGLU)
Vocabulário	32.000 (BPE próprio)
Contexto	4096 tokens (RoPE θ=1M, rotary parcial 0.25; treinado em 2048)
Tokens de treino	20.000.014.336 (20B)
Precisão	BF16
Framework	JAX + optax + orbax
Hardware	TPU v5e-8 (Kaggle, sessões de 9h)

Aproximadamente 23 tokens por parâmetro — acima do ponto Chinchilla, deliberadamente, porque o gargalo do projeto sempre foi compute e não dado.

Dados de treino

Corpus de português brasileiro com peso forte em fóruns dos anos 2000 (Adrenaline, HardMOB, Clube do Hardware, Orkut), mais texto geral em PT-BR. A fase final usou annealing com decaimento de LR.

O registro alvo é o de quem escrevia em fórum brasileiro naquela época — com a ortografia, as gírias e a informalidade que vinham junto. Isso é intencional, não um artefato de limpeza malfeita.

Tokens especiais

<pad> (0), <unk> (1), <s> (2), </s> (3), <doc> (4)

O <doc> separa documentos e habilita masking intra-documento no treino.

Uso

python

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

tok = AutoTokenizer.from_pretrained("henriqueimoveis/Echoes-1.5-Base-PT-BR")
model = AutoModelForCausalLM.from_pretrained(
    "henriqueimoveis/Echoes-1.5-Base-PT-BR",
    dtype=torch.bfloat16,
).cuda()

prompt = "A história dos fóruns brasileiros começou"
ids = tok(prompt, return_tensors="pt").to("cuda")

# use_cache=False e obrigatorio, veja a nota abaixo.
out = model.generate(**ids, max_new_tokens=200, use_cache=False)
print(tok.decode(out[0], skip_special_tokens=True))

Passe use_cache=False. Sem isso o generate() levanta ValueError: has_previous_state can only be called on LinearAttention layers. O modelo declara model_type: qwen3_next, e essa implementacao monta a mascara de atencao linear mesmo quando todas as 18 camadas sao full_attention — que e o caso aqui, porque este modelo e denso. O contexto e curto (4096), entao reprocessar a janela custa pouco.

Limitações

Alucina com confiança. 870M parâmetros e 20B tokens produzem erro factual afirmado sem hesitação. Não use como fonte de fato.
Não faz aritmética. Medido: 0 acertos em 36 contas. A causa é o tokenizer, que parte números em posições inconsistentes (847 → ['8','47'], 396 → ['39','6']), então não há alinhamento posicional que permita aprender o algoritmo. Isso não se resolve com mais dados.
Monolíngue. Treinado só em português; qualquer outro idioma sai ruim.
Modelo base. Serve para completar texto, não para conversar. Para instrução, use o Echoes-1.5-Instruct.
Sem alinhamento de segurança. Não passou por nenhum treino de recusa. Ele reproduz o que havia nos fóruns, inclusive opinião forte e linguagem pesada.

Sobre GGUF / llama.cpp

Não há GGUF, e não é descuido. A conversão foi tentada e não é possível hoje sem mexer no llama.cpp. O motivo, para quem for tentar:

O config.json diz qwen3_next, mas o modelo é denso: 18 camadas, todas full_attention, sem MoE, sem atenção linear e sem camada MTP. A lista de tensores é idêntica à de um Qwen3 denso — com uma exceção decisiva:

model.layers.0.self_attn.q_proj.weight -> (3072, 1536) # e nao (1536, 1536)

O q_proj emite Q e um gate concatenados (head_dim * 2 por cabeça), e o gate multiplica a saída da atenção:

python

query_states, gate = torch.chunk(
    self.q_proj(hidden_states).view(*input_shape, -1, self.head_dim * 2), 2, dim=-1
)

Isso quebra os dois caminhos de conversão:

como qwen3 denso: check_tensor_dims: tensor 'blk.0.attn_q.weight' has wrong shape; expected 1536,1536, got 1536,3072
como qwen3_next: o conversor exige camada MTP (assert self.opt_num_mtp_layers != 0) e espera atenção linear + MoE, que não existem aqui

Há ainda um segundo detalhe: partial_rotary_factor = 0.25, ou seja, RoPE em apenas 32 das 128 dimensões por cabeça. O conversor denso não escreve rope.dimension_count, então mesmo resolvendo o gate o GGUF sairia com RoPE completo e geraria lixo.

Converter de verdade exigiria uma arquitetura nova no llama.cpp — Qwen3 denso + gated attention + RoPE parcial. Se alguém fizer, abra uma issue que eu subo os arquivos.

Enquanto isso, use transformers (com use_cache=False, veja acima).

Modelos relacionados

Echoes-1.5-Instruct-PT-BR — variante de instrução, no mesmo registro
Echoes-1-Base-PT-BR — a geração anterior (536M / 17.2B tokens)

Citação

bibtex

@misc{echoes15,
  author = {Henrique},
  title  = {Echoes-1.5: um modelo de linguagem PT-BR treinado do zero em TPU gratuita},
  year   = {2026},
  url    = {https://huggingface.co/henriqueimoveis/Echoes-1.5-Base-PT-BR}
}