File size: 2,425 Bytes
df74b25 aa6a322 df74b25 aa6a322 df74b25 aa6a322 df74b25 aa6a322 df74b25 aa6a322 df74b25 aa6a322 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 |
---
pipeline_tag: text-generation
license: mit
language:
- es
- en
tags:
- bittensor
- subnet-20
- bitagent
- phi2
- lora
- bfcl
- tool-calling
base_model: microsoft/phi-2
library_name: transformers
model_type: causal-lm
inference: true
---
# 🚀 Antonio Phi-2 BitAgent Merged (Subnet-20)
**Autor:** [@Tonit23](https://huggingface.co/Tonit23)
**Base:** `microsoft/phi-2`
**Fine-tune:** [`antonio-phi2-bitagent-lora`](https://huggingface.co/Tonit23/antonio-phi2-bitagent-lora)
**Subnet:** 🧠 [Bittensor Subnet-20 — BitAgent](https://rizzo.network/subnet-20/)
**Publicación:** octubre 2025
---
## 🧩 Descripción general
`antonio-phi2-bitagent-merged` es una versión **LoRA-fusionada** del modelo `microsoft/phi-2`, adaptada específicamente para el entorno **BitAgent (SN20)** dentro del ecosistema **Bittensor Finney**.
Este modelo está optimizado para tareas de **razonamiento en español e inglés**, **inferencia compacta** y **tool-calling semántico** (uso de funciones o herramientas internas), usando un esquema compatible con los validadores SN20.
---
## ⚙️ Detalles técnicos
| Propiedad | Valor |
|-------------------------|-------|
| Modelo base | `microsoft/phi-2` |
| Fine-tune | `LoRA` sobre dataset de prompts técnicos BFCL |
| Parámetros totales | ~7.24 B |
| Parámetros entrenables | 3.4 M (0.047 %) |
| Framework | PyTorch + Transformers + PEFT |
| Licencia | MIT |
| Hardware objetivo | CPU / GPU (float16) |
### Entrenamiento
El modelo fue fine-tuneado con **LoRA (Low-Rank Adaptation)** en un conjunto de datos mixto de tareas técnicas:
- prompts de razonamiento lógico, instrucciones BFCL y tool-calling
- pares entrada/salida basados en análisis ABAP y Python
- mezclas en español e inglés
---
## 🧠 Uso
### Inferencia local (Transformers)
```python
from transformers import AutoModelForCausalLM, AutoTokenizer
import torch
model = AutoModelForCausalLM.from_pretrained("Tonit23/antonio-phi2-bitagent-merged", torch_dtype=torch.float16)
tokenizer = AutoTokenizer.from_pretrained("Tonit23/antonio-phi2-bitagent-merged")
prompt = "Explica el proceso de staking en la red Bittensor Finney:"
inputs = tokenizer(prompt, return_tensors="pt")
outputs = model.generate(**inputs, max_new_tokens=200)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))
|