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:

json

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

Campos por tipo de notificación:

Tipo de notificación	Requiere	No debe incluir
`MOTIVATIONAL_CHECK_IN`	`question`, `choices` con 2 opciones	-
`CLASS_REMINDER`	`question`, `choices` con 2 opciones	-
`CHECK_IN_CLOSURE`	`message` o `reminder_copy`	`choices`
`REMINDER_CLOSURE`	`reminder_copy`	`choices`

Ejemplos Reales Usados en TecnoTime

Recordatorio de Clase

json

{
  "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

json

{
  "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:

Parámetro	Valor
Épocas	3
Batch por dispositivo	4
Acumulación de gradiente	4
Batch efectivo	16
Learning rate	`2e-4`
Scheduler	`cosine`
Warmup ratio	`0.03`
LoRA rank	`16`
LoRA alpha	`32`
LoRA dropout	`0.05`

Archivos Esperados

Este repositorio está preparado para incluir:

Archivo o variante	Uso recomendado
Adaptadores LoRA	Respaldo reproducible del fine-tuning
Modelo fusionado 16-bit	Versión principal para despliegue o conversión
`F16` GGUF	Referencia de mayor tamaño
`Q8_0` GGUF	Alta calidad, requiere más RAM
`Q6_K` GGUF	Buen equilibrio con alta calidad
`Q5_K_M` GGUF	Mejor equilibrio calidad/rendimiento
`Q4_K_M` GGUF	Equipos de bajos recursos, laboratorios o laptops modestas
`Q3_K_M` GGUF	Variante más liviana

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

python

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