Hugging Face's logo

german-gimenez
/
mato-v1.0-sft

Text Generation
PEFT
Safetensors
Spanish
Portuguese
English
lora
sft
tool-calling
agents
b2b
napsix
mato
conversational
Model card Files
xet
 Community

You need to agree to share your contact information to access this model

This repository is publicly accessible, but you have to accept the conditions to access its files and content.

Mato V1.0 es un modelo de Napsix. Al pedir acceso aceptás: (1) usarlo de forma lícita y no dañina; (2) no suplantar la marca Napsix/Mato ni presentar versiones modificadas como oficiales; (3) acreditar "powered by Mato V1.0 — Napsix" cuando lo integres en un producto o servicio.

Log in or Sign Up to review the conditions and access this model content.

🧠 Mato V1.0 — el modelo insignia de Napsix

Mato es el asistente de IA entrenado en casa por Napsix — una plataforma B2B agéntica donde los agentes corren solos: investigan, escriben, operan herramientas y producen resultados (documentos, planillas, tableros, formularios, sitios).

Este repositorio contiene el adapter LoRA (SFT) sobre Qwen/Qwen3.8-27B. En producción se sirve como LoRA sobre el checkpoint FP8 del base, con MTP speculative decoding y 256k de contexto, en GPUs spot de Daytona.

¿Querés probarlo ya, gratis y sin clonar nada? Mato está incluido en el AI Gateway de Napsix (API OpenAI-compatible): https://www.napsix.com/api/gateway/v1 · modelo napsix/mato-v1.0 → Crear una API key · Quickstart en 2 minutos

✨ Qué puede hacer

  • Tool calling nativo en el formato XML de Qwen (parser qwen3_xml de vLLM): llamadas correctas, argumentos válidos y recuperación ante fallos.
  • Voz XIA: español neutro profesional (también portugués e inglés), directo y conciso, sin relleno ni muletillas.
  • Conocimiento de las superficies de Napsix: XIA, Agentes, Espacios (Rooms, Projects, Inbox, CRM, Napsix Mail), Resultados (Docs, Sheets, Dashboards, Forms, Sitios) y Conexiones (1000+ apps, WhatsApp, MCP, APIs).
  • Conducta de producto: no inventa datos; pide clarificación (ask_clarification) cuando la tarea es ambigua; escala en vez de prometer lo que no puede.
  • Heredado del base Qwen3.8-27B: contexto 256k, visión y multilingüismo.

📖 La historia (por qué existe Mato)

Napsix cree en eficiencia, no en fuerza bruta: cada tarea va al modelo del tamaño correcto. Pero el asistente de la casa necesitaba tres cosas que ningún modelo externo daba juntas: control del protocolo de herramientas, privacidad de los datos del producto y costo predecible. Entonces lo entrenamos:

  1. F0–F1 · Dataset: trazas reales de la plataforma (anonimizadas) + destilación con un teacher in-family (qwen3.8-max) → conversaciones con el chat template real de Qwen y tool-calls verificables.
  2. F2 · Entrenamiento: QLoRA (NF4, r=32, all-linear) en 1×H100 spot, con checkpoints y resume real ante evictions.
  3. F3 · Evaluación: suite de tool-calling + judge LLM — mejora clara de comportamiento sin regresión en herramientas.
  4. F4 · Deploy: LoRA servido en producción (FP8 + MTP + 256k) con el mismo slug napsix/mato-v1.0 y rollback de un comando.
  5. Loop: el corpus crece con la plataforma; un pipeline semanal propone re-entrenamientos con aprobación humana.

Mato V1.0 está sirviendo en producción desde el 2026-09-17.

🚀 Cómo usarlo

Opción A — API (recomendada, gratis) 

curl https://www.napsix.com/api/gateway/v1/chat/completions \
  -H "Authorization: Bearer nsx_live_TU_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model":"napsix/mato-v1.0","messages":[{"role":"user","content":"Hola Mato"}]}'

También es drop-in con el SDK de OpenAI: cambiá baseURL y listo (docs).

Opción B — local (transformers + peft) 

from transformers import AutoModelForCausalLM, AutoTokenizer
from peft import PeftModel

base = AutoModelForCausalLM.from_pretrained(
    "Qwen/Qwen3.8-27B", torch_dtype="bfloat16", device_map="auto"
)
tok = AutoTokenizer.from_pretrained("german-gimenez/mato-v1.0-sft")
model = PeftModel.from_pretrained(base, "german-gimenez/mato-v1.0-sft")

Opción C — vLLM (producción) 

vllm serve Qwen/Qwen3.8-27B-FP8 \
  --enable-lora --max-lora-rank 32 \
  --lora-modules mato-tuned=german-gimenez/mato-v1.0-sft \
  --tool-call-parser qwen3_xml --enable-auto-tool-choice

📊 Ficha técnica

Base Qwen/Qwen3.8-27B (Apache-2.0)
Adapter LoRA all-linear · r=32 · alpha=64 · 233M params (0.86%)
Entrenamiento QLoRA NF4, seq 4096, 6 epochs, 1×H100 spot
Eval (judge LLM) comportamiento: 6–2–1 vs base · tool-calling: sin regresión
Serving FP8 + LoRA + MTP + 256k · 3 réplicas spot auto-gestionadas
Idiomas Español (neutro B2B) · Portugués · Inglés

🔗 Links

⚖️ Uso y licencia

  • Licencia: Apache-2.0 (heredada del base). Atribución a Napsix y a Qwen Team apreciada.
  • Mato está pensado para asistentes B2B legítimos. No usar para spam, desinformación, suplantación de identidad ni contenido dañino.
  • "Mato" es una marca de Napsix. Si construís sobre Mato, aclará que es un modelo de Napsix (ej. "powered by Mato V1.0 — Napsix").

🇬🇧 About (English)

Mato V1.0 is Napsix's in-house assistant model: a LoRA SFT adapter over Qwen/Qwen3.8-27B, trained on real (anonymized) product traces distilled with an in-family teacher. It excels at tool calling, the XIA brand voice (neutral professional Spanish, Portuguese, English) and Napsix product knowledge — grounded, concise and honest. Serving: FP8 + LoRA + MTP + 256k on spot H100s. Try it free via our OpenAI-compatible gateway: https://www.napsix.com/api/gateway/v1 (model napsix/mato-v1.0) — https://www.napsix.com/mato

Mato V1.0 by Napsix — https://www.napsix.com/mato

Downloads last month
118
Inference Providers NEW
Text Generation
This model isn't deployed by any Inference Provider. 🙋 Ask for provider support

Model tree for german-gimenez/mato-v1.0-sft

Base model

Qwen/Qwen3.8-27B
Adapter
(100)
this model