Model Card for CCG-FAKTUM/lapua-llm

Model Details

• Mallin nimi: Lapua-llm (LoRA-adapteri)
• Pohjamalli: Qwen/Qwen2.5-1.5B-Instruct
• Tyyppi: LoRA, r=16, alpha=32, dropout=0.05
• Kieli: suomi (hallinto-/päätöstekstit)
• Kuvaus: Hienosäädetty Lapuan kaupungin pöytäkirjakieleen ja vastausformaatteihin (Johtopäätös → Perustelut → Lähteet).
• Käyttö: RAG-assistenttina päätöspykälien kyselyyn, tiivistämiseen ja luokitteluun.
• Lisenssi: [Lisää sopiva lisenssi lähdedatan mukaan]
• Jaettu: CCG-FAKTUM

Model Sources

• Repository: https://huggingface.co/CCG-FAKTUM/lapua-llm

Uses

Direct Use

• Vastaukset Lapuan kaupungin päätöspöytäkirjoihin liittyviin kysymyksiin, kun syötetään RAG-konteksti (BM25/Qdrant).
• Tiivistelmät ja luokittelu (päätöstyypit, vastuuhenkilö, vaikutukset).

Downstream Use

• Osana Lapua-RAG -palvelua tai muuta sovellusta, joka hakee asiakirjakontekstin ja syöttää sen mallille.

Out-of-Scope Use

• Ei oikeudelliseksi neuvonnaksi.
• Ei muihin kuntiin tai mielipide-/small-talk -käyttöön ilman uutta hienosäätöä.
• Ei faktojen muistivarastoksi ilman RAG:ia.

Bias, Risks, and Limitations

• Lapua-spesifi kieli ja sisältö; ei yleisty muihin kuntiin.
• Voi tuottaa virheitä, jos kontekstia ei anneta.
• Tarkista aina alkuperäinen pöytäkirja ennen päätöksentekoa.

Recommendations

• Käytä aina RAG-kontekstia.
• Näytä käyttäjälle lähdesitaatti (§, kokous, pvm).
• Merkitse epävarmuus, jos konteksti puuttuu tai on ristiriitainen.

How to Get Started with the Model

from transformers import AutoModelForCausalLM, AutoTokenizer from peft import PeftModel

base = AutoModelForCausalLM.from_pretrained("Qwen/Qwen2.5-1.5B-Instruct") model = PeftModel.from_pretrained(base, "CCG-FAKTUM/lapua-llm") tok = AutoTokenizer.from_pretrained("CCG-FAKTUM/lapua-llm")

prompt = ( "System: Olet Lapuan päätöstekstiasiantuntija. Vastaa muodolla: " "Johtopäätös → Perustelut → Lähteet (§, kokous, pvm).\n" "User: Konteksti:\n" "{pykala_teksti}\n" "Kysymys: Mitä päätettiin § 78?" ) inputs = tok(prompt, return_tensors="pt") out = model.generate(**inputs, max_new_tokens=200) print(tok.decode(out[0], skip_special_tokens=True))## Training Details

Training Data

• Lähde: Lapuan kaupungin pöytäkirjat (Docling-parse).
• SFT v1: ~570 näytettä (Q&A, tiivistelmä, luokittelu). V2 (10k) tulossa.

Training Procedure

• Optimointi: lr=2e-4, cosine, warmup 100.
• Batch: per_device_train_batch_size=1, grad_accum=8, seq_len=768.
• bf16, gradient checkpointing, label_names=["labels"].
• LoRA target-moduulit: q_proj, k_proj, v_proj, o_proj, gate_proj, up_proj, down_proj.
• Maksimi stepit: 800 (demo). Suositus: 3000 jatkossa.

Training Hyperparameters

• bf16 mixed precision
• LoRA r=16, alpha=32, dropout=0.05
• lr=2e-4, cosine, warmup_steps=100

Speeds, Sizes, Times

• Mallin koko: ~74 MB adapteri.
• Treeni: a10g-small, 800 askelta (~tens of minutes).

Evaluation

• Smoke-test: käsi- ja GPT-vertailu (Lapua-kysymykset + pykäläteksti).
• Suunnitelma: LLM-as-judge (oikeellisuus, hyödyllisyys, selkeys, kieli), BLEU/ROUGE referensseihin, RAG recall@k.

Testing Data, Factors & Metrics

• Testidata: Lapua-pykälät (erillinen eval-kysymyspaketti).
• Metrics: LLM-as-judge score, ROUGE, relevanssi RAG:lla.

Results

• V1: ei vielä julkisia numeroita; käytä smoke-testejä ja judge-scorea.

Environmental Impact

• Laitteisto: a10g-small (24 GB).
• Tunnit: ~<1 h (800 stepin demo).
• Hiilijalanjälki: pieni; arvioi tarkemmin MLCO2-työkalulla.

Technical Specifications

• Arkkitehtuuri: Qwen2.5-1.5B-Instruct + LoRA (CAUSAL_LM).
• Ohjelmistot: transformers, peft, accelerate, datasets.

Citation

• Lisää, jos julkaiset blogin/paperin.

Model Card Authors

• CCG-FAKTUM

Model Card Contact

• [Lisää yhteystieto tai repo-issues-linkki]