---
license: apache-2.0
library_name: transformers
pipeline_tag: text-generation
tags:
- pt-br
- portuguese
- programming
- logic
- math
- gguf
- quantized
- iq4_xs
- mobile
- lora
- minicpm
base_model: openbmb/MiniCPM5-2B
language:
- pt
- en
datasets:
- Davizig10jojo/Nemotron-SFT-PT-BR-v2-Filtered
- rhaymison/orca-math-portuguese-64k
- costadev00/wikipedia-pt-br-instructions-sft
- Davizig10jojo/BlazerDataset-PT-BR
- TeichAI/Ox-Alpha-10k
- rubend18/ChatGPT-Jailbreak-Prompts
- Qwen3.8_Max_DeepSeek_Distillation_PT-BR
- amalia-llm/wikipedia-rag
---

# 🦅 BlazerApex-2B (IQ4_XS)

**BlazerApex-2B** é um modelo de linguagem ultracompacto (2.5B parâmetros), altamente otimizado e fine-tuned com foco total em **Português do Brasil (PT-BR)**, **Programação**, **Lógica** e **Matemática**. 

Projetado especificamente para ser o **SOTA (State-of-the-Art) de bolso**, este modelo roda 100% offline, de forma rápida e fluida em smartphones intermediários (como o Motorola Moto G34 5G com Snapdragon 695), sem precisar de internet ou servidores externos.

## 📱 Como usar no Celular (Android)

Este repositório contém a versão quantizada **IQ4_XS** (~1.4 GB), ideal para dispositivos com 4GB a 8GB de RAM.

1. Baixe o arquivo [`BlazerApex-2B-IQ4_XS.gguf`](https://huggingface.co/Davizig10jojo/BlazerApex-2B/blob/main/gguf/BlazerApex-2B-IQ4_XS.gguf) direto no seu celular.
2. Instale o aplicativo **[Maid](https://github.com/Mobile-Artificial-Intelligence/maid)** ou **[Layla](https://play.google.com/store/apps/details?id=com.layla.assistant)** na Play Store.
3. Abra o app, vá em "Models" (Modelos) e importe o arquivo `.gguf` baixado.
4. Pronto! Configure a temperatura entre `0.2` e `0.7` e comece a conversar, programar ou resolver problemas de lógica offline.

## 🧠 Sobre o Treinamento

O BlazerApex-2B foi construído sobre a excelente arquitetura base do **[openbmb/MiniCPM5-2B](https://huggingface.co/openbmb/MiniCPM-2B)**, utilizando técnicas avançadas de **LoRA (Low-Rank Adaptation)** no Kaggle (2x NVIDIA Tesla T4).

### 📊 Mix de Dados (Dataset)
O modelo foi treinado com um dataset híbrido e balanceado (80% PT-BR / 20% EN) para garantir fluência nativa em português sem perder a capacidade de sintaxe de código em inglês:

*   **Nemotron-SFT-PT-BR-v2-Filtered** (~15k exemplos): Programação e matemática estruturada em PT-BR.
*   **orca-math-portuguese-64k** (~15k exemplos): Raciocínio matemático passo-a-passo (Chain-of-Thought) adaptado para PT-BR.
*   **wikipedia-pt-br-instructions-sft** (~850 exemplos): Extração estruturada de informações e conhecimento geral.
*   **wikipedia-rag** (~3k exemplos): Regularização de leitura de contexto longo.
*   **Qwen3.8_Max_DeepSeek_Distillation_PT-BR** & **BlazerDataset-PT-BR** (~250 exemplos): Destilação complexa, identidade do modelo, saudações e lógica agêntica.
*   **ChatGPT-Jailbreak-Prompts** (~80 exemplos): Treinamento de segurança e recusa firme contra engenharia social em PT-BR.
*   **Ox-Alpha-10k** (~3k exemplos): Âncora em inglês puro (Go, Rust, C++, Python) para blindar a sintaxe exata de programação.

## 📊 Benchmark (juiz LLM: Qwen3-4B-Instruct-2507, escala 0-100)

![Capability Radar](https://huggingface.co/Davizig10jojo/BlazerApex-2B/resolve/main/benchmark_radar.png)

| Modelo | Média | Tamanho no celular (GGUF) | Pontos por GB |
|---|---|---|---|
| **BlazerApex-2B (nosso)** | **88.1** | 1.43 GB (IQ4_XS) | **61.6** |
| MiniCPM5-2B (base) | 75.0 | ~1.5 GB (Q4) | ~50.0 |
| Qwen2.5-3B-Instruct | 97.5 | ~2.0 GB (Q4) | ~48.8 |

BlazerApex-2B supera o próprio modelo base em +13.1 pontos e entrega a melhor
relação inteligência-por-GB da categoria, sendo otimizado para PT-BR e uso offline em mobile.

## 🛠️ Especificações Técnicas

*   **Arquitetura Base:** LlamaForCausalLM (MiniCPM 2.5B)
*   **Método de Fine-tuning:** LoRA (r=16, alpha=32) + Merge
*   **Precisão de Treino:** FP16 (Tensor Cores T4)
*   **Quantização Final:** IQ4_XS (via llama.cpp)
*   **Tamanho do Arquivo GGUF:** ~1.4 GB
*   **Contexto Suportado:** Até 4k-8k tokens (otimizado para prompts curtos/médios no celular)

## 📁 Estrutura do Repositório

*   📂 `gguf/`: Contém o modelo quantizado `BlazerApex-2B-IQ4_XS.gguf` pronto para uso no Maid/Layla.
*   📂 `safetensors/`: Contém os pesos completos do modelo mesclado (Merge LoRA + Base) em precisão FP16/BF16.
*   📂 `lora/`: Contém os adapters LoRA originais gerados durante o treinamento.

##  Créditos

*   Desenvolvido por: **Davizig10jojo**
*   Modelo Base: [OpenBMB](https://huggingface.co/openbmb)
*   Ferramentas: [Hugging Face](https://huggingface.co/), [Kaggle](https://www.kaggle.com/), [PEFT](https://github.com/huggingface/peft), [TRL](https://github.com/huggingface/trl), [llama.cpp](https://github.com/ggerganov/llama.cpp)

---
*Se este modelo te ajudou, deixe um ❤️ no repositório!*