🦅 BlazerApex-2B-v2

Modelo 2.5B nativo em PT-BR, multilíngue (PT/EN/ZH), forte em código e matemática, otimizado para rodar offline no celular.

🧬 Linhagem (merge em cascata, método linear)

Etapa	Operação	Resultado
0	BlazerApex-2B v1 (SFT 36k exemplos PT-BR/código/math) + LoRA_PTBR (1 epoch, 19.256 exemplos Gigaverbo-v2-SFT + UltrachatBR)	blazer_ptbr
1	0.70 × blazer_ptbr + 0.30 × distilled-reasoning (Qwen3.8-Max/GLM-5.2/Kimi-K3)	mergeA
2	0.80 × mergeA + 0.20 × LycheeAI-coder-2b-II-pro	mergeB
3	0.85 × mergeB + 0.15 × uraion-forge-2b	BlazerApex-2B-v2

Pesos efetivos: BlazerApex-PTBR ≈ 0.48 · Reasoning ≈ 0.20 · Coder ≈ 0.17 · Uraion ≈ 0.15

📊 Desempenho

• v1 (radar, juiz Qwen3-4B-Instruct): média 88.1/100, vencendo o base MiniCPM5-2B (75.0) em 6 de 8 categorias.
• v2 (testes qualitativos): Code Reasoning corrigido (palíndromo correto com explicação), recusa de jailbreak firme, compreensão de chinês adicionada. Radar completo do v2 em breve.

🗣️ Idiomas

PT-BR nativo e conversacional · EN (âncora de código) · ZH (compreensão e explicação)

📱 Uso no celular

GGUF IQ4_XS (~1.4 GB) na pasta gguf/ — roda offline a ~5 tok/s em Snapdragon 695 (Maid/Layla, contexto 3K).

💻 Uso com transformers

from transformers import AutoTokenizer, AutoModelForCausalLM
tok = AutoTokenizer.from_pretrained("Davizig10jojo/BlazerApex-2B-v2")
model = AutoModelForCausalLM.from_pretrained("Davizig10jojo/BlazerApex-2B-v2", dtype="float16", device_map="auto")

⚠️ Limitações conhecidas

• Pode atribuir incorretamente o desenvolvedor em perguntas de identidade (correção planejada).
• Em geração crua, pode continuar após o EOS — use stop tokens no seu app/inference.

🙏 Créditos

Base: openbmb/MiniCPM5-2B · Doadores: jigs97022, whcl412, UraionLabs · Datasets: Polygl0t/gigaverbo-v2-sft, recogna-nlp/UltrachatBR · Merge: mergekit · Técnica: Model Soups (arXiv:2203.05482)

📜 Licença

Apache-2.0