Bee-150M-PT-SFT

Versão ajustada por instruções do bee-150m-pt-base — 151,2M parâmetros, pré-treinado do zero em português (0,844 bpb, à frente do Tucano-160m com 9× menos tokens).

Uso

from transformers import AutoModelForCausalLM, AutoTokenizer

tok = AutoTokenizer.from_pretrained("BrCamp/bee-150m-pt-sft")
modelo = AutoModelForCausalLM.from_pretrained("BrCamp/bee-150m-pt-sft")

msgs = [{"role": "user", "content": "Resuma o texto abaixo em uma frase:\n\n..."}]
entrada = tok.apply_chat_template(msgs, return_tensors="pt", add_generation_prompt=True)
print(tok.decode(modelo.generate(entrada, max_new_tokens=120)[0]))

Formato ChatML (<|im_start|> / <|im_end|>), com chat_template embutido.

Treino

7.152 exemplos (5.657 instruções em PT + 1.495 de uso de ferramentas), full fine-tune, lr 6e-4 cosine · 2 épocas · max_seq_len 2048 · batch efetivo 32 · bf16. Loss mascarada no prompt: o modelo é cobrado só pelo que responde.

holdout	eval_loss	acurácia/token
instruções PT (n=300)	1,7592	0,6074
uso de ferramentas (n=150)	1,0672	0,7693

Cada hiperparâmetro foi medido, não herdado — a varredura de LR (curva em U de 6 pontos, com ruído de 0,001) e a de épocas estão em docs/sft-resultado.md.

⚠️ Limitações — leia antes de usar

O SFT ensinou formato, não fatos. O modelo responde em português fluente, estruturado e para no fim do turno — e inventa fatos com confiança. Pior: inventa diferente a cada geração (perguntado duas vezes sobre Machado de Assis, respondeu "nasceu em 1839" — correto — numa amostragem e "nasceu em 1831, em São Paulo" na outra). Ele amostra plausibilidade; não tem o conhecimento guardado.

Isso é o esperado em 151M parâmetros e não se corrige com mais SFT — só com um pré-treino maior.

Não use para perguntas factuais de mundo aberto, conselhos médicos/jurídicos/financeiros, ou qualquer decisão em que uma afirmação inventada cause dano.

Use onde o conhecimento vem no contexto: extração estruturada, resumo, reescrita, classificação, formatação — tarefas em que o texto de entrada contém a resposta e o modelo só precisa manipulá-lo em bom português.