You can deploy this model and start earning money today!

eduardotorr1/
modelo-recetas-cocina

Name: modelo-recetas-cocina
Availability: InStock

Qwen/Qwen2.5-1.5B-Instruct

adapter

Views

No views yet

Modelo Asistente para Escalado de Recetas de Cocina (QLoRA Fine-Tuned)

Este modelo es un asistente conversacional especializado en recalcular y escalar proporciones de ingredientes en recetas de cocina, ajustando las cantidades matemáticas exactas según el número de comensales solicitados por el usuario.

Model Details

Model Description

Este modelo de lenguaje ha sido ajustado (fine-tuned) utilizando la técnica QLoRA (Quantized Low-Rank Adaptation) sobre el modelo base Qwen/Qwen2.5-1.5B-Instruct. Se estabilizó mediante cuantización en 4-bits (nf4) y se entrenó utilizando el formato de roles estandarizado ChatML para asegurar que la interacción sistema-usuario-asistente sea fluida y libre de alucinaciones.

Developed by: Eduardo Josué Fonseca Torres (Ingeniería en Sistemas Computacionales, Instituto Tecnológico de Mérida)
Model type: Causal Language Model (AutoModelForCausalLM con adaptador PEFT/LoRA)
Language(s) (NLP): Español (es)
License: Apache 2.0
Finetuned from model: Qwen/Qwen2.5-1.5B-Instruct

Model Sources

Repositorio Base: https://huggingface.co/Qwen/Qwen2.5-1.5B-Instruct

Uses

Direct Use

El modelo está diseñado para ser invocado en un entorno de inferencia utilizando plantillas de chat (apply_chat_template). El usuario debe proveer las cantidades actuales de una receta y el nuevo número de personas. El modelo (actuando bajo el rol de system como un chef experto) devolverá la respuesta calculada y se detendrá inmediatamente usando el token de fin de secuencia (<|im_end|>).

Out-of-Scope Use

Este modelo ha sido altamente especializado en la conversión matemática lineal de ingredientes. No debe utilizarse para:

Generar recetas desde cero (puede presentar sesgos de creatividad restringida).
Consultas médicas, dietéticas o nutricionales.
Cálculos matemáticos complejos no relacionados con proporciones directas.

Bias, Risks, and Limitations

El modelo asume que todos los ingredientes escalan de forma lineal (1:1). En la repostería profesional, ciertos ingredientes (como levaduras o especias) a veces requieren ajustes no lineales. Los usuarios deben usar el modelo como una calculadora de proporciones y no como un sustituto del criterio gastronómico profesional.

Recommendations

Se recomienda enfáticamente ejecutar la inferencia del modelo utilizando una temperatura baja (temperature=0.1) y apagando las penalizaciones de repetición (repetition_penalty=1.0) para asegurar la precisión matemática y evitar que los tokens especiales de detención se corrompan.

How to Get Started with the Model

Utiliza el siguiente código en Python para cargar el modelo en modo de evaluación y generar cálculos exactos:

python

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer
from peft import PeftModel

# 1. Cargar el modelo base Instruct y el Tokenizador
modelo_id = "Qwen/Qwen2.5-1.5B-Instruct"
adaptador_id = "TuUsuario/modelo-recetas-cocina" # <-- Cambia por tu usuario

tokenizer = AutoTokenizer.from_pretrained(modelo_id)
modelo_base = AutoModelForCausalLM.from_pretrained(
    modelo_id, 
    load_in_4bit=True, 
    device_map="auto"
)

# 2. Cargar el adaptador entrenado y preparar para inferencia
modelo = PeftModel.from_pretrained(modelo_base, adaptador_id)
modelo.eval()
modelo.config.use_cache = True

# 3. Formatear la consulta usando ChatML
mensajes = [
    {"role": "system", "content": "Eres un chef experto en matemáticas. Responde con cálculos exactos."},
    {"role": "user", "content": "Para hacer un pastel para 4 personas uso 200g de harina y 100g de mantequilla. ¿Cuánto necesito para 10 personas?"}
]

texto_chat = tokenizer.apply_chat_template(mensajes, tokenize=False, add_generation_prompt=True)
inputs = tokenizer(texto_chat, return_tensors="pt").to("cuda")

# 4. Generar la respuesta matemática
with torch.no_grad():
    outputs = modelo.generate(
        **inputs, 
        max_new_tokens=100, 
        temperature=0.1, 
        do_sample=True,
        pad_token_id=tokenizer.pad_token_id,
        eos_token_id=tokenizer.eos_token_id
    )

# 5. Imprimir resultado
respuesta_generada = outputs[0][inputs.input_ids.shape[1]:]
print("IA:", tokenizer.decode(respuesta_generada, skip_special_tokens=True))

Training Details
Training Data
El modelo fue entrenado con un dataset sintético en formato .jsonl estructurado con los roles de user y assistant. Los datos se centran exclusivamente en problemas de escalado (factores de multiplicación y división simple) aplicados a ingredientes de cocina.

Training Procedure
El entrenamiento se realizó bajo el framework trl usando un enfoque de Supervised Fine-Tuning (SFT). Para asegurar la estabilidad de los gradientes, se preparó el modelo base con prepare_model_for_kbit_training.

Training Hyperparameters
Training regime: QLoRA (Quantized Low-Rank Adaptation) en precisión de 4-bits (nf4) y cálculos en fp16.

Target Modules: ["q_proj", "k_proj", "v_proj", "o_proj", "gate_proj", "up_proj", "down_proj"] (Todas las capas conectadas para máxima estabilidad).

LoRA Rank (r): 16

LoRA Alpha: 32

Learning rate: 2e-5

Max steps: 100

Batch size / Gradient Accumulation: 2 / 4

Optimizer: AdamW

Environmental Impact
Hardware Type: 1x NVIDIA T4 Tensor Core GPU (16 GB VRAM)

Hours used: < 1 hora

Cloud Provider: Google Cloud (Google Colab)

Technical Specifications
Compute Infrastructure
El entrenamiento se llevó a cabo utilizando el entorno de ejecución gratuito de Google Colab, superando las limitaciones de VRAM mediante técnicas avanzadas de cuantización.

Software
Python 3.x

PyTorch

Transformers

PEFT (Parameter-Efficient Fine-Tuning)

TRL (Transformer Reinforcement Learning)

BitsAndBytes

eduardotorr1/modelo-recetas-cocina