Liminar-Qwen3.5-122B-A10B
языковая модель для академической среды Аргентины
2 мин чтения
Модель основана на мощной архитектуре Qwen 3.5 122B-A10B и дообучена аргентинской исследовательской лабораторией LICDIA для работы с местной университетской нормативной базой, официальными текстами и формальным испанским языком Аргентины. Она помогает анализировать академические документы, отвечать на вопросы по законодательству сферы образования и поддерживать профильные университетские задачи. Проект ориентирован на вузы, исследователей и разработчиков образовательных систем, которым требуется точная работа с локальными юридическими и институциональными текстами на испанском языке.
Ключевые особенности
- Адаптирована под нормативные акты и университетскую жизнь Аргентины
- Создана на базе крупной языковой модели Qwen 3.5 122B-A10B
- Дообучена на кураторских датасетах из официальных баз данных и документов вузов
- Показывает высокую точность в задачах генерации текстов на формальном испанском
Что можно сделать
- Применять модель в университетских системах поддержки студентов и сотрудников для ответов на вопросы по регламентам
- Использовать в связке с RAG (поиском по документам) для точного цитирования актуальных законов и положений
- Интегрировать в чат-ботов академических платформ для консультаций по внутренним правилам вузов
Пример
from transformers import AutoModelForCausalLM, AutoTokenizer
repo = "LICDIA-UNLu/Liminar-Qwen3.5-122B-A10B"
tok = AutoTokenizer.from_pretrained(repo, revision="v2026.11")
modelo = AutoModelForCausalLM.from_pretrained(
repo, revision="v2026.11", dtype="auto", device_map="auto")
mensajes = [{"role": "user",
"content": "¿Qué establece la Ley de Educación Superior sobre la autonomía universitaria?"}]
entrada = tok.apply_chat_template(
mensajes, add_generation_prompt=True, return_dict=True, return_tensors="pt").to(modelo.device)
salida = modelo.generate(**entrada, max_new_tokens=400)
print(tok.decode(salida[0, entrada["input_ids"].shape[1]:], skip_special_tokens=True))Подробнее
• Лицензия: Apache 2.0• Метод обучения: LoRA (ранг 256) на суперкомпьютере Clementina XXI с использованием FSDP
• Бенчмарки: точность в тестах без документов выросла с 8,3% (у базовой модели) до 31,7%
• Ограничения: модель не отслеживает изменения в законах после даты сбора датасета и может ошибаться в номерах норм и датах










Комментарии