redactoria_V3 : GGUF

This model was finetuned and converted to GGUF format using Unsloth.

Example usage:

• For text only LLMs: llama-cli -hf NrengifoBTS/redactoria_V3 --jinja
• For multimodal models: llama-mtmd-cli -hf NrengifoBTS/redactoria_V3 --jinja

Available Model files:

• Meta-Llama-3.1-8B.Q4_K_M.gguf This was trained 2x faster with Unsloth

---

license: apache-2.0 base_model: unsloth/meta-llama-3.1-8b-bnb-4bit tags: - marketing - seo - car-rental - automated-content - unsloth - trl - llama-3 language: - es metrics: - loss library_name: adapter

Redactoria V1 - Matrix Structure Generator 🚗🏢

Este modelo es una versión finetuneada de Llama 3.1 8B diseñada específicamente para la generación de estructuras de contenido (matrices) para Landing Pages de renta de autos y hoteles, optimizadas para SEO.

📝 Descripción del Modelo

El modelo ha sido entrenado para transformar parámetros técnicos (Marca, Tema, Template) en una matriz de contenido completa que sigue la jerarquía visual y técnica de la agencia:

• Formato de salida: Estructura de bloques delimitada por pipes (| PG: | BLQ: | TIPO: | ES: |).
• Tono de voz: Experto en Marketing Digital y SEO, profesional y persuasivo.
• Restricciones: No usa emojis, no usa negritas con ** y respeta estrictamente la jerarquía de etiquetas (H1, H2, FAQ, etc.).

🚀 Uso (Inferencia)

Para obtener los mejores resultados, utiliza el formato Alpaca y asegúrate de proporcionar el contexto completo.

from unsloth import FastLanguageModel
import torch

model, tokenizer = FastLanguageModel.from_pretrained("tu-usuario/nombre-del-modelo")
FastLanguageModel.for_inference(model)

alpaca_prompt = """### Instruction:
Generar el contenido para una landing page siguiendo el tono de voz de la marca y la estructura de bloques indicada.

### Input:
TEMA: {tema}
MARCA: {marca}
TEMPLATE: {template}

### Response:
"""

inputs = tokenizer([alpaca_prompt.format(
    "Alquiler de autos en Miami",
    "Viajemos",
    "Template Agencias"
)], return_tensors = "pt").to("cuda")

outputs = model.generate(**inputs, max_new_tokens = 2048)
print(tokenizer.decode(outputs[0]))