Instructions to use AIInstituteLNCC/manaca-1b-instruct with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use AIInstituteLNCC/manaca-1b-instruct with Transformers:

# Use a pipeline as a high-level helper
from transformers import pipeline

pipe = pipeline("text-generation", model="AIInstituteLNCC/manaca-1b-instruct")

# pip install -U transformers accelerate
# Load model directly
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("AIInstituteLNCC/manaca-1b-instruct")
model = AutoModelForCausalLM.from_pretrained("AIInstituteLNCC/manaca-1b-instruct", device_map="auto")

Notebooks
Google Colab
Kaggle
Local Apps Settings

vLLM

How to use AIInstituteLNCC/manaca-1b-instruct with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "AIInstituteLNCC/manaca-1b-instruct"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "AIInstituteLNCC/manaca-1b-instruct",
		"prompt": "Once upon a time,",
		"max_tokens": 512,
		"temperature": 0.5
	}'

Use Docker

docker model run hf.co/AIInstituteLNCC/manaca-1b-instruct

SGLang

How to use AIInstituteLNCC/manaca-1b-instruct with SGLang:

Install from pip and serve model

# Install SGLang from pip:
pip install sglang
# Start the SGLang server:
python3 -m sglang.launch_server \
    --model-path "AIInstituteLNCC/manaca-1b-instruct" \
    --host 0.0.0.0 \
    --port 30000
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:30000/v1/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "AIInstituteLNCC/manaca-1b-instruct",
		"prompt": "Once upon a time,",
		"max_tokens": 512,
		"temperature": 0.5
	}'

Use Docker images

docker run --gpus all \
    --shm-size 32g \
    -p 30000:30000 \
    -v ~/.cache/huggingface:/root/.cache/huggingface \
    --env "HF_TOKEN=<secret>" \
    --ipc=host \
    lmsysorg/sglang:latest \
    python3 -m sglang.launch_server \
        --model-path "AIInstituteLNCC/manaca-1b-instruct" \
        --host 0.0.0.0 \
        --port 30000
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:30000/v1/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "AIInstituteLNCC/manaca-1b-instruct",
		"prompt": "Once upon a time,",
		"max_tokens": 512,
		"temperature": 0.5
	}'

Docker Model Runner
How to use AIInstituteLNCC/manaca-1b-instruct with Docker Model Runner:
```
docker model run hf.co/AIInstituteLNCC/manaca-1b-instruct
```

manaca-1b-instruct / README.md

menezesbruno

Update README.md

3c8cab8 verified about 2 months ago

preview code

Raw History Blame Contribute Delete

12.9 kB

---
language:
- pt
license: cc-by-nc-4.0
library_name: transformers
pipeline_tag: text-generation
base_model: menezesbruno/manaca-1b-base
inference: false
tags:
- portuguese
- brazilian-portuguese
- instruction-tuned
- safety-alignment
- experimental
- research-preview
- llama
- lncc
datasets:
- dominguesm/alpaca-data-pt-br
- CohereForAI/aya_dataset
- OpenAssistant/oasst1
- Helsinki-NLP/opus-100
- csebuetnlp/xlsum
---
# Manacá-1B-Instruct — instruct aberto e auditável para o Português do Brasil<br>An Open, Auditable Instruction-Tuned Brazilian-Portuguese Model

[![Status: experimental](https://img.shields.io/badge/Status-release%20de%20pesquisa%20experimental-orange.svg)]()
[![License: CC BY-NC 4.0](https://img.shields.io/badge/License-CC%20BY--NC%204.0-lightgrey.svg)](https://creativecommons.org/licenses/by-nc/4.0/)
[![Base model](https://img.shields.io/badge/%F0%9F%A4%97%20Base-menezesbruno%2Fmanaca--1b--base-yellow.svg)](https://huggingface.co/menezesbruno/manaca-1b-base)
[![Code & reproducibility](https://img.shields.io/badge/GitHub-manaca--1b--instruct-181717.svg)](https://github.com/Instituto-IA-LNCC/manaca-1b-instruct/)
[![Language: PT-BR](https://img.shields.io/badge/Language-PT--BR-009c3b.svg)]()
[![Institution: LNCC](https://img.shields.io/badge/Institution-LNCC-002776.svg)](https://www.lncc.br)

> **Status: release de pesquisa experimental (v0.1).** Publicado para pesquisa,
> auditoria e reprodutibilidade. As capacidades gerais ainda são baixas em
> termos absolutos (MT-Bench-PT 2,90 de 10; exames de múltipla escolha no nível do
> acaso) e o alinhamento de segurança tem recall aproximado de 75%.
>
> **Status: experimental research release (v0.1).** Published for research,
> auditing and reproducibility. Absolute capability is still low (MT-Bench-PT
> 2.90 of 10; multiple-choice exams at chance level) and safety alignment has
> roughly 75% recall.

<p align="center">
  <img src="assets/figures/manaca-identity.svg" width="520" alt="Manacá — Tibouchina mutabilis: os três estágios florais como metáfora do treinamento do LLM"/>
</p>

*Se o base é a flor branca (pré-treino), o instruct é o estágio púrpura: o alinhamento,*
*quando o Manacá aprende a ajudar com segurança, em Português do Brasil.*
<br>
*If the base is the white flower (pretraining), the instruct is the purple stage:*
*alignment, where Manacá learns to help safely, in Brazilian Portuguese.*

**[🇧🇷 Português](#-português) · [🇬🇧 English](#-english)**

---

## 🇧🇷 Português

**Manacá-1B-Instruct** é a versão **instruct, alinhada para segurança**, do
[Manacá-1B base](https://huggingface.co/menezesbruno/manaca-1b-base), publicada como
**release de pesquisa experimental**: um modelo decoder-only de **~1,72 bilhão de
parâmetros**, treinado do zero para o português do Brasil, agora ajustado para
**seguir instruções e recusar pedidos nocivos com segurança**. Cooperação científica
**LNCC × NII/LLM-jp**.

Todo o caminho é **reprodutível e auditável** (corpus, código, logs, avaliação — e
inclusive o que **não** funcionou): https://github.com/Instituto-IA-LNCC/manaca-1b-instruct

### Como usar

Template **Alpaca-PT** (o mesmo do treino — usar esse formato é importante):

```python
!pip install -q -U transformers accelerate
from transformers import AutoModelForCausalLM, AutoTokenizer
import torch
mid = "menezesbruno/manaca-1b-instruct"
dtype = torch.bfloat16 if torch.cuda.is_available() and torch.cuda.is_bf16_supported() else torch.float16
tok = AutoTokenizer.from_pretrained(mid)
model = AutoModelForCausalLM.from_pretrained(mid, torch_dtype=dtype, device_map="auto")
def responder(instrucao, entrada=""):
    preambulo = ("Abaixo está uma instrução que descreve uma tarefa. "
                 "Escreva uma resposta que atenda adequadamente ao pedido.")
    prompt = f"{preambulo}\n\n### Instrução:\n{instrucao}\n\n### Resposta:\n"
    ids = tok(prompt, return_tensors="pt").to(model.device)
    out = model.generate(**ids, max_new_tokens=384, do_sample=False,
                         pad_token_id=tok.eos_token_id)
    return tok.decode(out[0][ids["input_ids"].shape[1]:], skip_special_tokens=True).strip()
print(responder("Explique o que é fotossíntese em uma frase."))
```

### O modelo

Herda a arquitetura do base (o pós-treino é um ajuste por cima desses pesos).

| Item | Valor |
|------|-------|
| Parâmetros | 1.722.951.680 (~1,72B) |
| Camadas / dim / FFN | 24 / 2048 / 8192 (SwiGLU) |
| Cabeças / grupos KV / head dim | 32 / 8 (GQA) / 64 |
| Posição / norma | RoPE (θ=500000) / RMSNorm |
| Contexto / precisão | 4096 / bfloat16 |
| Tokenizador | SentencePiece unigram, 64k, `nmt_nfkc_cf` |
| Template de conversa | Alpaca-PT (`### Instrução:` / `### Resposta:`) |
| Pós-treino | SFT (full FT) + safety-SFT (LoRA) |
| Status | release de pesquisa experimental (v0.1) |

### Como foi treinado

1. **SFT** (supervisionado), template Alpaca-PT, fiel ao `llm-jp-sft`. Duas versões
   de dados (v1 e v2, composições diferentes); a v2 é a base do modelo alinhado.
2. **Alinhamento de segurança (safety-SFT, estilo AnswerCarefully do LLM-jp):**
   recusa de pedidos nocivos como alvo de cross-entropy + exemplos de ajudar o
   benigno + dados gerais, para não virar recusador cego.

Resultado negativo documentado: o **DPO on-policy foi testado e não mudou a geração**
(nem nos próprios prompts de treino); a segurança veio do safety-SFT. Corpus (fontes,
splits, licenças, contagens), código e logs completos no GitHub.

### Resultados

Contra outros instructs PT-BR, mesmo harness (só instruct; o base não entra).

**MT-Bench-PT** (nota do juiz LLM, 1 a 10, por categoria):

| Categoria | inst-v1 | inst-v2 | **inst-safe** | tucano-1b1-inst | tucano-2b4-inst | ttl-460m-chat |
|---|:--:|:--:|:--:|:--:|:--:|:--:|
| escrita | 2.83 | 2.50 | 2.67 | 2.50 | 3.17 | 1.17 |
| interpretação | 1.67 | 2.33 | 1.17 | 2.00 | 2.50 | 1.00 |
| raciocínio | 1.50 | 1.50 | 1.67 | 1.17 | 1.17 | 1.00 |
| matemática | 1.00 | 1.00 | 1.00 | 1.00 | 1.33 | 1.00 |
| código | 1.00 | 1.00 | 1.00 | 1.17 | 1.33 | 1.00 |
| extração | 3.33 | 4.33 | 4.33 | 3.33 | 3.33 | 3.33 |
| ciências | 3.50 | 3.83 | 2.50 | 1.83 | 3.33 | 2.00 |
| humanas | 4.00 | 4.67 | 4.83 | 4.50 | 4.83 | 1.17 |
| **segurança** | 1.50 | 1.50 | **9.00** | 1.50 | 1.00 | 5.00 |
| **GERAL** | 2.29 | 2.56 | **2.90** | 2.13 | 2.50 | 1.73 |

**IFEval-PT** (seguir instrução verificável, acurácia %):

| Modelo | Prompt strict | Instr strict | Instr loose |
|---|:--:|:--:|:--:|
| manaca-instruct-v1 | 22.2 | 34.0 | 34.0 |
| manaca-instruct-v2 | 22.2 | 36.0 | 36.0 |
| **manaca-instruct-safe** | 25.0 | 36.0 | **36.0** |
| tucano-1b1-instruct | 11.1 | 22.0 | 26.0 |
| tucano-2b4-instruct | 13.9 | 26.0 | 26.0 |
| ttl-460m-chat | 8.3 | 18.0 | 18.0 |

**Bateria PT-BR — classificação (f1-macro %; acc entre parênteses):**

| Modelo | assin2_rte | faquad_nli | hatebr | hatespeech |
|---|:--:|:--:|:--:|:--:|
| manaca-instruct-v1 | 52.49 (53.6) | 43.92 (78.3) | 39.02 (50.0) | 41.74 (68.3) |
| manaca-instruct-v2 | 51.83 (51.8) | 44.93 (77.4) | 40.13 (48.7) | 42.29 (68.0) |
| **manaca-instruct-safe** | 51.54 (52.3) | 45.61 (77.5) | 40.59 (49.1) | 42.93 (67.9) |
| tucano-1b1-instruct | 35.69 (50.1) | 44.97 (71.2) | 30.64 (38.0) | 42.18 (66.2) |
| tucano-2b4-instruct | 43.75 (51.7) | 45.66 (74.9) | 37.19 (45.9) | 41.58 (68.2) |
| ttl-460m-chat | 53.61 (55.0) | 37.59 (38.2) | 40.67 (45.8) | 39.37 (39.9) |

**Bateria PT-BR — exames de múltipla escolha (acurácia %):**

| Modelo | enem | bluex | oab |
|---|:--:|:--:|:--:|
| manaca-instruct-v1 | 20.82 | 23.55 | 23.57 |
| manaca-instruct-v2 | 20.55 | 22.16 | 22.71 |
| **manaca-instruct-safe** | 19.50 | 21.19 | 22.90 |
| tucano-1b1-instruct | 20.06 | 24.65 | 26.65 |
| tucano-2b4-instruct | 20.82 | 20.78 | 23.98 |
| ttl-460m-chat | 19.36 | 23.96 | 24.62 |

**Segurança (sondas PT-BR, disjuntas do treino):**

| Métrica | instruct (SFT) | **instruct-safe** |
|---|:--:|:--:|
| Recusa de pedidos nocivos held-out (↑) | 0% | **75%** |
| MT-Bench-PT segurança (1-10) | 1.5 | **9.0** |
| Over-refusal em pedidos benignos (↓) | 2.9% | 8.8% |

Leitura: lideramos MT-Bench geral e IFEval-PT entre os instructs PT-BR; o `-safe`
domina segurança (recusa de nocivos 0→75%, nota 1,5→9,0) **sem** degradar IFEval nem
o leaderboard (assin2_rte f1 51,5 ≈ v2 51,8). Exames de múltipla escolha ficam no
acaso para todos os modelos dessa escala. **Todos os números absolutos são baixos: a
comparação é relativa entre modelos dessa escala e não indica prontidão para uso
real.**
### Uso pretendido, limitações e segurança
**Uso pretendido:** pesquisa em modelos de linguagem para o português, replicação
do pipeline, estudo de alinhamento em pequena escala, uso didático.
**Fora de escopo:** produção, atendimento ao público, decisões automatizadas,
aconselhamento médico, jurídico ou psicológico, e qualquer contexto em que uma
resposta errada tenha custo real.
**Limitações conhecidas:**
- **Recall de segurança ~75%**: pedidos de fraseado ambíguo podem passar.
- **Over-refusal**: uma fração pequena de pedidos benignos é recusada.
- **Caso pró-social**: pode recusar pedidos de *ajudar alguém em crise* (ex.: apoiar
  um amigo com pensamentos suicidas), onde o certo é ajudar e indicar o **CVV (188)**.
- Modelo de pesquisa (~1,72B): erra fatos e **não** substitui aconselhamento
  profissional, jurídico ou médico.
### Licença
Os pesos derivam do base (CC BY 4.0), mas a mistura de **SFT inclui fontes
não-comerciais** (Alpaca-PT, CC BY-NC; XLSum, CC BY-NC-SA). Por isso o card declara
**CC BY-NC 4.0**. Para uso comercial, refaça o SFT só com fontes permissivas (o
pipeline aceita `--sources` reduzido) e reavalie a licença.
### Citação
```
Menezes, B.L.S., Cardoso, C.L.S., & Porto, F.A.M. (2026). Manacá-1B-Instruct: An
Open, Auditable Instruction-Tuned Brazilian-Portuguese Language Model, with a
Negative Result on DPO and a Safety-SFT Alignment. Preprint, experimental research
release v0.1. LNCC (Instituto de IA) × NII/LLM-jp.
https://github.com/Instituto-IA-LNCC/manaca-1b-instruct· CC BY-NC 4.0.
```
**Equipe:** Bruno Leonardo Santos Menezes · Carlos Leonardo Souza Cardoso ·
Prof. Fábio André Machado Porto — LNCC / Instituto de IA
(`brunolsm@lncc.br` · `cardoso@lncc.br` · `fporto@lncc.br`)
---
## 🇬🇧 English
**Manacá-1B-Instruct** is the **instruction-tuned, safety-aligned** version of
[Manacá-1B base](https://huggingface.co/menezesbruno/manaca-1b-base), released as an
**experimental research artifact**: a decoder-only model of **~1.72B parameters**,
trained from scratch for Brazilian Portuguese, now tuned to **follow instructions and
refuse harmful requests safely**. Scientific cooperation **LNCC × NII/LLM-jp**.
The whole path is **reproducible and auditable** (corpus, code, logs, evaluation, and
even what did **not** work):
https://github.com/Instituto-IA-LNCC/manaca-1b-instruct
### How to use
Alpaca-PT template (same as training) — see the Python snippet in the Portuguese
section above; just change the instruction text.
### Training
Post-training on Manacá-1B base: **(1) SFT** (Alpaca-PT, faithful to `llm-jp-sft`;
data v1/v2) then **(2) safety-SFT** (AnswerCarefully-style: refusal as a
cross-entropy target + help-the-benign + general data). Documented negative result:
on-policy **DPO did not change generation**; safety came from safety-SFT.
### Results
Same tables as the Portuguese section: **MT-Bench-PT** overall **2.90** (vs 2.50 best
PT-BR peer) and safety **9.0**; **IFEval-PT** instr-loose **36.0** (best among
PT-BR instructs); **PT-BR leaderboard** f1-macro/exams ≈ the v2 base (safety
alignment did not degrade measured capabilities). Held-out harmful-refusal rose
**0% → ~75%** with only ~9% over-refusal on benign prompts. **All absolute scores are
low: the comparison is relative among models at this scale and does not indicate
readiness for real use.**
### Intended use, limitations & safety
**Intended use:** research on Portuguese language models, pipeline replication,
small-scale alignment studies, teaching.
**Out of scope:** production, public-facing services, automated decision-making,
medical, legal or psychological advice, and any setting where a wrong answer has
real cost.
**Known limitations:** safety recall ≈75% (ambiguous phrasings can pass); small
over-refusal on benign requests; may over-refuse *help-in-crisis* prompts (point
users to a crisis line — in Brazil, CVV 188). Research model (≈1.72B): makes factual
errors; **not** a substitute for professional, legal, or medical advice.
### License & citation
CC BY-NC 4.0 (the SFT mix includes non-commercial sources: Alpaca-PT, XLSum). See the
citation block above.
*Projeto Manacá — LNCC (Instituto de IA) × NII/LLM-jp. Experimental research release v0.1.*

	---
	language:
	- pt
	license: cc-by-nc-4.0
	library_name: transformers
	pipeline_tag: text-generation
	base_model: menezesbruno/manaca-1b-base
	inference: false
	tags:
	- portuguese
	- brazilian-portuguese
	- instruction-tuned
	- safety-alignment
	- experimental
	- research-preview
	- llama
	- lncc
	datasets:
	- dominguesm/alpaca-data-pt-br
	- CohereForAI/aya_dataset
	- OpenAssistant/oasst1
	- Helsinki-NLP/opus-100
	- csebuetnlp/xlsum
	---

	# Manacá-1B-Instruct — instruct aberto e auditável para o Português do Brasil<br>An Open, Auditable Instruction-Tuned Brazilian-Portuguese Model

	[![Status: experimental](https://img.shields.io/badge/Status-release%20de%20pesquisa%20experimental-orange.svg)]()
	[![License: CC BY-NC 4.0](https://img.shields.io/badge/License-CC%20BY--NC%204.0-lightgrey.svg)](https://creativecommons.org/licenses/by-nc/4.0/)
	[![Base model](https://img.shields.io/badge/%F0%9F%A4%97%20Base-menezesbruno%2Fmanaca--1b--base-yellow.svg)](https://huggingface.co/menezesbruno/manaca-1b-base)
	[![Code & reproducibility](https://img.shields.io/badge/GitHub-manaca--1b--instruct-181717.svg)](https://github.com/Instituto-IA-LNCC/manaca-1b-instruct/)
	[![Language: PT-BR](https://img.shields.io/badge/Language-PT--BR-009c3b.svg)]()
	[![Institution: LNCC](https://img.shields.io/badge/Institution-LNCC-002776.svg)](https://www.lncc.br)

	> Status: release de pesquisa experimental (v0.1). Publicado para pesquisa,
	> auditoria e reprodutibilidade. As capacidades gerais ainda são baixas em
	> termos absolutos (MT-Bench-PT 2,90 de 10; exames de múltipla escolha no nível do
	> acaso) e o alinhamento de segurança tem recall aproximado de 75%.
	>
	> Status: experimental research release (v0.1). Published for research,
	> auditing and reproducibility. Absolute capability is still low (MT-Bench-PT
	> 2.90 of 10; multiple-choice exams at chance level) and safety alignment has
	> roughly 75% recall.

	<p align="center">
	<img src="assets/figures/manaca-identity.svg" width="520" alt="Manacá — Tibouchina mutabilis: os três estágios florais como metáfora do treinamento do LLM"/>
	</p>

	Se o base é a flor branca (pré-treino), o instruct é o estágio púrpura: o alinhamento,
	quando o Manacá aprende a ajudar com segurança, em Português do Brasil.
	<br>
	If the base is the white flower (pretraining), the instruct is the purple stage:
	alignment, where Manacá learns to help safely, in Brazilian Portuguese.

	[🇧🇷 Português](#-português) · [🇬🇧 English](#-english)

	---

	## 🇧🇷 Português

	Manacá-1B-Instruct é a versão instruct, alinhada para segurança, do
	[Manacá-1B base](https://huggingface.co/menezesbruno/manaca-1b-base), publicada como
	release de pesquisa experimental: um modelo decoder-only de **~1,72 bilhão de
	parâmetros**, treinado do zero para o português do Brasil, agora ajustado para
	seguir instruções e recusar pedidos nocivos com segurança. Cooperação científica
	LNCC × NII/LLM-jp.

	Todo o caminho é reprodutível e auditável (corpus, código, logs, avaliação — e
	inclusive o que não funcionou): https://github.com/Instituto-IA-LNCC/manaca-1b-instruct

	### Como usar

	Template Alpaca-PT (o mesmo do treino — usar esse formato é importante):

	```python
	!pip install -q -U transformers accelerate

	from transformers import AutoModelForCausalLM, AutoTokenizer
	import torch

	mid = "menezesbruno/manaca-1b-instruct"
	dtype = torch.bfloat16 if torch.cuda.is_available() and torch.cuda.is_bf16_supported() else torch.float16
	tok = AutoTokenizer.from_pretrained(mid)
	model = AutoModelForCausalLM.from_pretrained(mid, torch_dtype=dtype, device_map="auto")
	def responder(instrucao, entrada=""):
	preambulo = ("Abaixo está uma instrução que descreve uma tarefa. "
	"Escreva uma resposta que atenda adequadamente ao pedido.")
	prompt = f"{preambulo}\n\n### Instrução:\n{instrucao}\n\n### Resposta:\n"
	ids = tok(prompt, return_tensors="pt").to(model.device)
	out = model.generate(**ids, max_new_tokens=384, do_sample=False,
	pad_token_id=tok.eos_token_id)
	return tok.decode(out[0][ids["input_ids"].shape[1]:], skip_special_tokens=True).strip()
	print(responder("Explique o que é fotossíntese em uma frase."))
	```

	### O modelo

	Herda a arquitetura do base (o pós-treino é um ajuste por cima desses pesos).

	\| Item \| Valor \|
	\|------\|-------\|
	\| Parâmetros \| 1.722.951.680 (~1,72B) \|
	\| Camadas / dim / FFN \| 24 / 2048 / 8192 (SwiGLU) \|
	\| Cabeças / grupos KV / head dim \| 32 / 8 (GQA) / 64 \|
	\| Posição / norma \| RoPE (θ=500000) / RMSNorm \|
	\| Contexto / precisão \| 4096 / bfloat16 \|
	\| Tokenizador \| SentencePiece unigram, 64k, `nmt_nfkc_cf` \|
	\| Template de conversa \| Alpaca-PT (`### Instrução:` / `### Resposta:`) \|
	\| Pós-treino \| SFT (full FT) + safety-SFT (LoRA) \|
	\| Status \| release de pesquisa experimental (v0.1) \|

	### Como foi treinado

	1. SFT (supervisionado), template Alpaca-PT, fiel ao `llm-jp-sft`. Duas versões
	de dados (v1 e v2, composições diferentes); a v2 é a base do modelo alinhado.
	2. Alinhamento de segurança (safety-SFT, estilo AnswerCarefully do LLM-jp):
	recusa de pedidos nocivos como alvo de cross-entropy + exemplos de ajudar o
	benigno + dados gerais, para não virar recusador cego.

	Resultado negativo documentado: o DPO on-policy foi testado e não mudou a geração
	(nem nos próprios prompts de treino); a segurança veio do safety-SFT. Corpus (fontes,
	splits, licenças, contagens), código e logs completos no GitHub.

	### Resultados

	Contra outros instructs PT-BR, mesmo harness (só instruct; o base não entra).

	MT-Bench-PT (nota do juiz LLM, 1 a 10, por categoria):

	\| Categoria \| inst-v1 \| inst-v2 \| inst-safe \| tucano-1b1-inst \| tucano-2b4-inst \| ttl-460m-chat \|
	\|---\|:--:\|:--:\|:--:\|:--:\|:--:\|:--:\|
	\| escrita \| 2.83 \| 2.50 \| 2.67 \| 2.50 \| 3.17 \| 1.17 \|
	\| interpretação \| 1.67 \| 2.33 \| 1.17 \| 2.00 \| 2.50 \| 1.00 \|
	\| raciocínio \| 1.50 \| 1.50 \| 1.67 \| 1.17 \| 1.17 \| 1.00 \|
	\| matemática \| 1.00 \| 1.00 \| 1.00 \| 1.00 \| 1.33 \| 1.00 \|
	\| código \| 1.00 \| 1.00 \| 1.00 \| 1.17 \| 1.33 \| 1.00 \|
	\| extração \| 3.33 \| 4.33 \| 4.33 \| 3.33 \| 3.33 \| 3.33 \|
	\| ciências \| 3.50 \| 3.83 \| 2.50 \| 1.83 \| 3.33 \| 2.00 \|
	\| humanas \| 4.00 \| 4.67 \| 4.83 \| 4.50 \| 4.83 \| 1.17 \|
	\| segurança \| 1.50 \| 1.50 \| 9.00 \| 1.50 \| 1.00 \| 5.00 \|
	\| GERAL \| 2.29 \| 2.56 \| 2.90 \| 2.13 \| 2.50 \| 1.73 \|

	IFEval-PT (seguir instrução verificável, acurácia %):

	\| Modelo \| Prompt strict \| Instr strict \| Instr loose \|
	\|---\|:--:\|:--:\|:--:\|
	\| manaca-instruct-v1 \| 22.2 \| 34.0 \| 34.0 \|
	\| manaca-instruct-v2 \| 22.2 \| 36.0 \| 36.0 \|
	\| manaca-instruct-safe \| 25.0 \| 36.0 \| 36.0 \|
	\| tucano-1b1-instruct \| 11.1 \| 22.0 \| 26.0 \|
	\| tucano-2b4-instruct \| 13.9 \| 26.0 \| 26.0 \|
	\| ttl-460m-chat \| 8.3 \| 18.0 \| 18.0 \|

	Bateria PT-BR — classificação (f1-macro %; acc entre parênteses):

	\| Modelo \| assin2_rte \| faquad_nli \| hatebr \| hatespeech \|
	\|---\|:--:\|:--:\|:--:\|:--:\|
	\| manaca-instruct-v1 \| 52.49 (53.6) \| 43.92 (78.3) \| 39.02 (50.0) \| 41.74 (68.3) \|
	\| manaca-instruct-v2 \| 51.83 (51.8) \| 44.93 (77.4) \| 40.13 (48.7) \| 42.29 (68.0) \|
	\| manaca-instruct-safe \| 51.54 (52.3) \| 45.61 (77.5) \| 40.59 (49.1) \| 42.93 (67.9) \|
	\| tucano-1b1-instruct \| 35.69 (50.1) \| 44.97 (71.2) \| 30.64 (38.0) \| 42.18 (66.2) \|
	\| tucano-2b4-instruct \| 43.75 (51.7) \| 45.66 (74.9) \| 37.19 (45.9) \| 41.58 (68.2) \|
	\| ttl-460m-chat \| 53.61 (55.0) \| 37.59 (38.2) \| 40.67 (45.8) \| 39.37 (39.9) \|

	Bateria PT-BR — exames de múltipla escolha (acurácia %):

	\| Modelo \| enem \| bluex \| oab \|
	\|---\|:--:\|:--:\|:--:\|
	\| manaca-instruct-v1 \| 20.82 \| 23.55 \| 23.57 \|
	\| manaca-instruct-v2 \| 20.55 \| 22.16 \| 22.71 \|
	\| manaca-instruct-safe \| 19.50 \| 21.19 \| 22.90 \|
	\| tucano-1b1-instruct \| 20.06 \| 24.65 \| 26.65 \|
	\| tucano-2b4-instruct \| 20.82 \| 20.78 \| 23.98 \|
	\| ttl-460m-chat \| 19.36 \| 23.96 \| 24.62 \|

	Segurança (sondas PT-BR, disjuntas do treino):

	\| Métrica \| instruct (SFT) \| instruct-safe \|
	\|---\|:--:\|:--:\|
	\| Recusa de pedidos nocivos held-out (↑) \| 0% \| 75% \|
	\| MT-Bench-PT segurança (1-10) \| 1.5 \| 9.0 \|
	\| Over-refusal em pedidos benignos (↓) \| 2.9% \| 8.8% \|

	Leitura: lideramos MT-Bench geral e IFEval-PT entre os instructs PT-BR; o `-safe`
	domina segurança (recusa de nocivos 0→75%, nota 1,5→9,0) sem degradar IFEval nem
	o leaderboard (assin2_rte f1 51,5 ≈ v2 51,8). Exames de múltipla escolha ficam no
	acaso para todos os modelos dessa escala. **Todos os números absolutos são baixos: a
	comparação é relativa entre modelos dessa escala e não indica prontidão para uso
	real.**

	### Uso pretendido, limitações e segurança

	Uso pretendido: pesquisa em modelos de linguagem para o português, replicação
	do pipeline, estudo de alinhamento em pequena escala, uso didático.

	Fora de escopo: produção, atendimento ao público, decisões automatizadas,
	aconselhamento médico, jurídico ou psicológico, e qualquer contexto em que uma
	resposta errada tenha custo real.

	Limitações conhecidas:

	- Recall de segurança ~75%: pedidos de fraseado ambíguo podem passar.
	- Over-refusal: uma fração pequena de pedidos benignos é recusada.
	- Caso pró-social: pode recusar pedidos de ajudar alguém em crise (ex.: apoiar
	um amigo com pensamentos suicidas), onde o certo é ajudar e indicar o CVV (188).
	- Modelo de pesquisa (~1,72B): erra fatos e não substitui aconselhamento
	profissional, jurídico ou médico.

	### Licença

	Os pesos derivam do base (CC BY 4.0), mas a mistura de **SFT inclui fontes
	não-comerciais** (Alpaca-PT, CC BY-NC; XLSum, CC BY-NC-SA). Por isso o card declara
	CC BY-NC 4.0. Para uso comercial, refaça o SFT só com fontes permissivas (o
	pipeline aceita `--sources` reduzido) e reavalie a licença.

	### Citação

	```
	Menezes, B.L.S., Cardoso, C.L.S., & Porto, F.A.M. (2026). Manacá-1B-Instruct: An
	Open, Auditable Instruction-Tuned Brazilian-Portuguese Language Model, with a
	Negative Result on DPO and a Safety-SFT Alignment. Preprint, experimental research
	release v0.1. LNCC (Instituto de IA) × NII/LLM-jp.
	https://github.com/Instituto-IA-LNCC/manaca-1b-instruct· CC BY-NC 4.0.
	```

	Equipe: Bruno Leonardo Santos Menezes · Carlos Leonardo Souza Cardoso ·
	Prof. Fábio André Machado Porto — LNCC / Instituto de IA
	(`brunolsm@lncc.br` · `cardoso@lncc.br` · `fporto@lncc.br`)

	---

	## 🇬🇧 English

	Manacá-1B-Instruct is the instruction-tuned, safety-aligned version of
	[Manacá-1B base](https://huggingface.co/menezesbruno/manaca-1b-base), released as an
	experimental research artifact: a decoder-only model of ~1.72B parameters,
	trained from scratch for Brazilian Portuguese, now tuned to **follow instructions and
	refuse harmful requests safely. Scientific cooperation LNCC × NII/LLM-jp**.
	The whole path is reproducible and auditable (corpus, code, logs, evaluation, and
	even what did not work):
	https://github.com/Instituto-IA-LNCC/manaca-1b-instruct

	### How to use

	Alpaca-PT template (same as training) — see the Python snippet in the Portuguese
	section above; just change the instruction text.

	### Training

	Post-training on Manacá-1B base: (1) SFT (Alpaca-PT, faithful to `llm-jp-sft`;
	data v1/v2) then (2) safety-SFT (AnswerCarefully-style: refusal as a
	cross-entropy target + help-the-benign + general data). Documented negative result:
	on-policy DPO did not change generation; safety came from safety-SFT.

	### Results

	Same tables as the Portuguese section: MT-Bench-PT overall 2.90 (vs 2.50 best
	PT-BR peer) and safety 9.0; IFEval-PT instr-loose 36.0 (best among
	PT-BR instructs); PT-BR leaderboard f1-macro/exams ≈ the v2 base (safety
	alignment did not degrade measured capabilities). Held-out harmful-refusal rose
	0% → ~75% with only ~9% over-refusal on benign prompts. **All absolute scores are
	low: the comparison is relative among models at this scale and does not indicate
	readiness for real use.**

	### Intended use, limitations & safety

	Intended use: research on Portuguese language models, pipeline replication,
	small-scale alignment studies, teaching.

	Out of scope: production, public-facing services, automated decision-making,
	medical, legal or psychological advice, and any setting where a wrong answer has
	real cost.

	Known limitations: safety recall ≈75% (ambiguous phrasings can pass); small
	over-refusal on benign requests; may over-refuse help-in-crisis prompts (point
	users to a crisis line — in Brazil, CVV 188). Research model (≈1.72B): makes factual
	errors; not a substitute for professional, legal, or medical advice.

	### License & citation

	CC BY-NC 4.0 (the SFT mix includes non-commercial sources: Alpaca-PT, XLSum). See the
	citation block above.

	Projeto Manacá — LNCC (Instituto de IA) × NII/LLM-jp. Experimental research release v0.1.