Upload README.md with huggingface_hub

README.md

@@ -0,0 +1,72 @@
+---
+license: apache-2.0
+base_model: Qwen/Qwen2.5-Coder-3B-Instruct
+tags:
+- qwen
+- qwen2.5
+- cybersecurity
+- pentesting
+- red-team
+- gguf
+- unsloth
+language:
+- en
+- es
+---
+
+# 🛡️ Qwen2.5-Coder-3B-Pentest (Red Team Copilot)
+
+Este modelo es un *fine-tuning* especializado de **Qwen 2.5 Coder 3B Instruct**, diseñado para actuar como un **Copiloto Táctico ("Hacking Buddy")** en tareas de ciberseguridad ofensiva, análisis de vulnerabilidades y automatización de comandos de terminal.
+
+Al estar disponible en formato **GGUF** y pesar poco, está fuertemente optimizado para ser desplegado en entornos **Edge AI** (100% offline), como Raspberry Pi o dispositivos móviles integrados con motores C++ como `llama.cpp` o `lite-cpp-ai`.
+
+## 🎯 Objetivo del Modelo
+
+A diferencia de un LLM generalista, este modelo ha sido ajustado para:
+- **Precisión Técnica:** Generar flags exactas para herramientas de terminal (`nmap`, `netcat`, `tcpdump`, `iptables`).
+- **Scripts Ofensivos/Defensivos:** Automatizar tareas de seguridad en Python (ej. uso de `scapy`, `requests`).
+- **Análisis Rápido:** Interpretar trazas de red y *logs* de seguridad.
+
+## 🛠️ Detalles del Entrenamiento
+
+- **Modelo Base:** `Qwen/Qwen2.5-Coder-3B-Instruct`
+- **Técnica:** QLoRA (Rank 32, Alpha 32)
+- **Framework:** Unsloth
+- **Dataset:** `tuandunghcmut/Trendyol-Cybersecurity-Instruction-Tuning-Dataset`
+- **Hardware de Entrenamiento:** NVIDIA RTX 4080 (Local)
+
+## 💻 Cómo utilizarlo
+
+### Opción A: Uso Offline (Recomendado - GGUF)
+El repositorio incluye el archivo cuantizado `Qwen2.5-Coder-3B-Pentest-Q4_K_M.gguf`. Puedes ejecutarlo con `llama.cpp`:
+
+```bash
+./llama-cli -m Qwen2.5-Coder-3B-Pentest-Q4_K_M.gguf -p "Escribe un comando nmap para escanear puertos UDP ocultos."
+
+```
+
+### Opción B: Uso con Transformers (Python)
+
+Puedes cargar los tensores completos (`.safetensors`) usando la librería estándar de Hugging Face:
+
+```python
+from transformers import AutoModelForCausalLM, AutoTokenizer
+
+model_id = "k3ssdev/Qwen2.5-Coder-3B-Pentest"
+tokenizer = AutoTokenizer.from_pretrained(model_id)
+model = AutoModelForCausalLM.from_pretrained(model_id, device_map="auto")
+
+prompt = "Genera un script en Python para descubrir hosts en una red local."
+inputs = tokenizer(prompt, return_tensors="pt").to(model.device)
+outputs = model.generate(**inputs, max_new_tokens=200)
+print(tokenizer.decode(outputs[0]))
+
+```
+
+## ⚠️ Disclaimer Legal y de Uso (Intended Use)
+
+**Este modelo se proporciona EXCLUSIVAMENTE con fines educativos, de investigación y para auditorías de seguridad autorizadas (Red Teaming / Blue Teaming).**
+
+* El modelo carece de ciertos filtros de alineación (censura) para poder analizar código malicioso y generar pruebas de concepto (PoCs).
+* El usuario es el único responsable de asegurar que tiene permiso explícito y legal para evaluar o atacar cualquier infraestructura de red.
+* El creador del modelo no se hace responsable de los daños directos o indirectos derivados del mal uso de los comandos o scripts generados por esta IA.