---
base_model: codellama/CodeLlama-7b-Instruct-hf
library_name: peft
pipeline_tag: text-generation
tags:
  - lora
  - qlora
  - codellama
  - python
  - education
  - pandas
  - spanish
language:
  - es
license: llama2
---

# Model Card for codellama-edugen-v2

Adapter LoRA/QLoRA para `CodeLlama-7b-Instruct-hf`, especializado en generar ejercicios educativos de Python para ciencia de datos con formato estructurado.

## Model Details

### Model Description

Este modelo fue afinado para producir salidas con formato educativo consistente:

- `## OBJETIVO`
- `## DATASET`
- `## CODIGO`
- `## EXPLICACION`

Enfocado en ejercicios de pandas/numpy/matplotlib, en español, con dataset sintético local (`rows`) y sin lecturas de archivos.

- **Developed by:** Proyecto JIA (Pepisxd)
- **Model type:** PEFT LoRA adapter (Causal LM)
- **Language(s) (NLP):** Español (principal)
- **License:** Hereda términos del modelo base (`llama2`)
- **Finetuned from model:** `codellama/CodeLlama-7b-Instruct-hf`

### Model Sources

- **Repository:** https://github.com/Pepisxd/JIA

## Uses

### Direct Use

Generación de ejercicios educativos de Python para práctica guiada en backend/API.

### Out-of-Scope Use

- Asistencia legal/médica/financiera de alto riesgo.
- Uso como fuente única de verdad factual.
- Código para ejecución en entornos inseguros sin validación.

## Bias, Risks, and Limitations

- Puede alucinar columnas o instrucciones si no hay validación externa.
- Puede requerir repair loop para cumplir completamente formato y calidad educativa.
- Calidad depende del prompt y del pipeline de validadores.

### Recommendations

- Usar con validadores de formato/ejecución.
- Ejecutar código en sandbox.
- Aplicar repair loop cuando falle ejecución o criterios educativos.

## How to Get Started with the Model

```python
import torch
from transformers import AutoTokenizer, AutoModelForCausalLM, BitsAndBytesConfig
from peft import PeftModel

base_model = "codellama/CodeLlama-7b-Instruct-hf"
adapter_path = "TU_USUARIO/codellama-edugen-v2"

bnb_config = BitsAndBytesConfig(
    load_in_4bit=True,
    bnb_4bit_quant_type="nf4",
    bnb_4bit_use_double_quant=True,
    bnb_4bit_compute_dtype=torch.float16,
)

tokenizer = AutoTokenizer.from_pretrained(adapter_path)
if tokenizer.pad_token is None and tokenizer.eos_token is not None:
    tokenizer.pad_token = tokenizer.eos_token

model = AutoModelForCausalLM.from_pretrained(
    base_model,
    device_map="auto",
    torch_dtype=torch.float16,
    quantization_config=bnb_config,
)
model = PeftModel.from_pretrained(model, adapter_path)
model.eval()