HALO117MC/GEMMA_31B_LIBERADO

GEMMA-4-31B-IT-LIBERADO (Abliterated & Multimodal)

Versión liberada (uncensored / abliterated) de Gemma-4 31B IT en precisión nativa BF16 Safetensors, optimizada mediante cirugía de tensores de alta fidelidad.

🔬 Metodología de Intervención Tensorial

1. Cartografía Topológica: Aislamiento de capas físicas de lenguaje preservando las torres multimodales de audio y visión.
2. Democracia Tensorial & Ortogonalización QR: Extracción de subespacio de rechazo multi-dominio (ciberseguridad, red teaming, psicología, química, etc.) garantizando una base ortogonal no colisionante.
3. Residualización Ridge: Mitigación de interferencia semántica para proteger habilidades de razonamiento lógico y generación de código.
4. SVD Guard: Protección espectral de pesos originales para evitar perturbación de la firma sensorial.

📦 Estructura del Repositorio

• config.json
• generation_config.json
• processor_config.json
• tokenizer_config.json
• tokenizer.json
• model.safetensors.index.json
• model-00001-of-00002.safetensors (~46.4 GB)
• model-00002-of-00002.safetensors (~11.9 GB)

🚀 Uso Rápido con Transformers

import torch
from transformers import AutoProcessor, AutoModelForCausalLM

model_id = "irving117/GEMMA_31B_LIBERADO"

processor = AutoProcessor.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    torch_dtype=torch.bfloat16,
    device_map="auto"
)

prompt = "<start_of_turn>user\nExplica los principios fundamentales de la relatividad especial.<end_of_turn>\n<start_of_turn>model\n"
inputs = processor(text=prompt, return_tensors="pt").to(model.device)

outputs = model.generate(**inputs, max_new_tokens=1024, temperature=0.7)
print(processor.decode(outputs[0], skip_special_tokens=False))