Update README.md

README.md

@@ -14,44 +14,69 @@ tags:
 - spanish
 ---
 
-## MiniChat-2-3B
+# MiniChat-2-3B-Sorah
 
-A language model continued from MiniMA-3B and finetuned on both instruction and preference data.
+![Sorah](sorah.jpeg)
 
-Surpassing Vicuna-7B and approximating LLaMA-2-Chat-7B on MT-Bench.
+MiniChat-2-3B-Sorah es un modelo de lenguaje basado en MiniChat-1.5-3B y ajustado con datos de instrucción y preferencia.
 
+El modelo MiniChat-1.5-3B-Sorah complementa el modelo de voz Sorah, que fue creado por el proyecto Piper. El modelo Sorah está en proceso de entrenamiento y mejoras, por lo que su acceso no es público, pero puedes encontrar más información en el [repositorio de Sorah Neuronal](https://huggingface.co/HirCoir/piper-sorah-neuronal).
 
-The following is an example code snippet to use Sorah based on MiniChat-2-3B:
+
+El modelo MiniChat-2-3B-Sorah supera a Vicuna-7B y se acerca a LLaMA-2-Chat-7B en MT-Bench.
+
+A continuación, se muestra un ejemplo de código para usar Sorah basado en MiniChat-2-3B:
 
 ```python
 import torch
 
 from transformers import AutoModelForCausalLM, AutoTokenizer
-
 from conversation import get_default_conv_template
 
-# MiniChat
+# Cargar MiniChat-2-3B-Sorah
 tokenizer = AutoTokenizer.from_pretrained("HirCoir/minichat-3b-sorah", use_fast=False)
-# GPU.
-model = AutoModelForCausalLM.from_pretrained("HirCoir/minichat-3b-sorah", use_cache=True, device_map="auto", torch_dtype=torch.float16).eval()
-# CPU.
-# model = AutoModelForCausalLM.from_pretrained("HirCoir/minichat-3b-sorah", use_cache=True, device_map="cpu", torch_dtype=torch.float16).eval()
 
+# Configuración para GPU
+model = AutoModelForCausalLM.from_pretrained(
+    "HirCoir/minichat-3b-sorah",
+    use_cache=True,
+    device_map="auto",
+    torch_dtype=torch.float16
+).eval()
+
+# Configuración para CPU (opcional)
+# model = AutoModelForCausalLM.from_pretrained(
+#     "HirCoir/minichat-3b-sorah",
+#     use_cache=True,
+#     device_map="cpu",
+#     torch_dtype=torch.float16
+# ).eval()
+
+# Crear una conversación
 conv = get_default_conv_template("minichat")
 
-question = "Implement a program to find the common elements in two arrays without using any extra data structures."
+# Ejemplo de pregunta
+question = "Como te llamas?"
+
+# Añadir la pregunta a la conversación
 conv.append_message(conv.roles[0], question)
 conv.append_message(conv.roles[1], None)
+
+# Obtener el prompt
 prompt = conv.get_prompt()
 input_ids = tokenizer([prompt]).input_ids
+
+# Generar respuesta
 output_ids = model.generate(
     torch.as_tensor(input_ids).cuda(),
     do_sample=True,
     temperature=0.7,
-    max_new_tokens=1024,
+    max_new_tokens=1024
 )
 output_ids = output_ids[0][len(input_ids[0]):]
 output = tokenizer.decode(output_ids, skip_special_tokens=True).strip()
-# output: "def common_elements(arr1, arr2):\n    if len(arr1) == 0:\n        return []\n    if len(arr2) == 0:\n        return arr1\n\n    common_elements = []\n    for element in arr1:\n        if element in arr2:\n            common_elements.append(element)\n\n    return common_elements"
-# Multiturn conversation could be realized by continuously appending questions to `conv`.
-```
+
+# La respuesta se almacena en 'output'
+# Salida: "def common_elements(arr1, arr2):\n    if len(arr1) == 0:\n        return []\n    if len(arr2) == 0:\n        return arr1\n\n    common_elements = []\n    for element in arr1:\n        if element in arr2:\n            common_elements.append(element)\n\n    return common_elements"
+# Una conversación multivuelta se puede realizar añadiendo preguntas continuamente a `conv`.
+```