---

language:

- pt

- en

license: apache-2.0

library_name: gguf

base_model: Qwen/Qwen3-VL-2B-Instruct

tags:

- portuguese

- pt-br

- vision-language

- qlora

- unsloth

- lamparinalm

- ollama

- gguf

datasets:

- VerboVision/PraCegoVer-Filtrado-FSB

- FrameNetBrasil/FM30K

- dominguesm/alpaca-data-pt-br

pipeline_tag: image-text-to-text

model_creator: alvarobrito

---

LamparinaLLM — Qwen3-VL 2B Fine-tuned PT-BR

> Uma lamparina não ilumina o mundo — mas ilumina o que você precisa.

LamparinaLLM é um modelo de visão-linguagem fine-tunado em português brasileiro,

parte da série de ebooks "Criando seu próprio SLM do Zero" de Álvaro Brito.

Este repositório contém o GGUF Q4_K_M para deploy local com ollama.

Os adaptadores LoRA estão em alvarobrito/lamparinalm-qwen3-vl-pt-br.

Como usar

# Baixar e rodar com ollama
ollama run hf.co/alvarobrito/lamparinalm-qwen3-vl-pt-br-gguf

# Enviar uma imagem
ollama run hf.co/alvarobrito/lamparinalm-qwen3-vl-pt-br-gguf "Descreva esta imagem" --image foto.jpg

import ollama

resposta = ollama.chat(
    model='hf.co/alvarobrito/lamparinalm-qwen3-vl-pt-br-gguf',
    messages=[{
        'role': 'user',
        'content': 'O que você vê nesta imagem?',
        'images': ['./foto.jpg'],
    }],
)
print(resposta['message']['content'])

Fine-tuning

| Parâmetro | Valor |

|---|---|

| Modelo base | Qwen/Qwen3-VL-2B-Instruct |

| Método | QLoRA (4-bit NF4) + RSLoRA |

| LoRA r / alpha | 16 / 32 |

| Steps | 500 |

| Batch efetivo | 8 |

| Learning rate | 0.0002 |

| Biblioteca | Unsloth |

| Plataforma | Kaggle T4 (gratuito) |

Datasets de Treinamento

| Dataset | Tipo | Uso |

|---|---|---|

| PraCegoVer Filtrado FSB | Imagem + legenda PT-BR | Alinhamento visual em português |

| FM30K | Imagem + legenda PT-BR | Legendas estruturadas (FrameNet Brasil) |

| Alpaca PT-BR | Instrução texto | Seguimento de instrução em PT-BR |

Sobre a Série

Este modelo foi criado como parte do livro "SLM do Zero — v3: O Inimigo Agora é Outro"

de Álvaro Brito. A série ensina a construir, aprofundar e adaptar modelos de linguagem

usando apenas recursos gratuitos (Kaggle T4, Hugging Face).

• Track A: modelo multimodal 52M parâmetros construído do zero com SigLIP + projetor MLP
• Track B (este modelo): fine-tuning QLoRA de VLM de produção em PT-BR

Licença

Apache 2.0 — herdada do modelo base Qwen3-VL 2B.