Instructions to use MatiasCaamano/loldle-d4-selector-lora with libraries, inference providers, notebooks, and local apps. Follow these links to get started.
- Libraries
- MLX
How to use MatiasCaamano/loldle-d4-selector-lora with MLX:
# Download the model from the Hub pip install huggingface_hub[hf_xet] hf download MatiasCaamano/loldle-d4-selector-lora --local-dir loldle-d4-selector-lora
- Notebooks
- Google Colab
- Kaggle
- Local Apps Settings
- LM Studio
- Atomic Chat
LoLdle D4 · adaptador LoRA del agente Selector
Adaptador LoRA (MLX) para Ministral-3-3B-Instruct-2512 en 4 bits
(mlx-community/Ministral-3-3B-Instruct-2512-4bit, revisión
a962dcb09eee4169c890e544c9eb938f1113fdee). Lo usa sólo el agente Selector del
sistema de tres agentes (Memoria → Selector → Verificador) que juega LoLdle Classic
en el proyecto del curso Inteligencia Artificial Generativa (580694), Entregable 4.
Memoria y Verificador siguen con el adaptador común del Entregable 3 (d3_paginas_cot3).
adapters.safetensors SHA-256: bcb99e98591255cf4a3d3d9645764cf9cd9e9a096fb4a3c1c03fadb5004c915a — es el archivo que produjo los resultados
reportados en el repositorio del proyecto (results/d4/).
Tarea del Selector
Recibe el estado de restricciones que escribió Memoria (verdes, grises, amarillos, año,
usados), los nombres excluidos y una página de 25 filas del roster. Debe escribir un
veredicto por fila («Nombre ok» o «Nombre x campo») y la lista de filas compatibles,
como JSON que continúa el prefijo {"action":"listar","revision":. El prompt de sistema
exacto está en prompt_selector.txt.
Por qué este agente
En la prueba del Entregable 3, 4 de las 5 partidas detenidas (Morgana, Thresh, Ashe,
Soraka) tenían un estado de Memoria que admitía al secreto, pero el Selector lo
descartó en todas las pasadas por el campo amarillo (positions [["Middle"]],
regions [["Ionia"]], regions [["Demacia","Shadow Isles"]]). Con amarillos de un
solo valor, el Selector del D3 conservó 13 de 58 filas compatibles.
Datos
Ronda 1: data/ronda1/train.jsonl (2.503 ejemplos, 128 secretos de entrenamiento).
Ronda 2: data/ronda2/train.jsonl (1.340 ejemplos de los mismos secretos, concentrados en
amarillos difíciles de positions y regions). Validación de pérdida: 95 ejemplos de los
15 secretos de validación. Historiales simulados con el motor del juego;
etiquetas calculadas con las reglas del juego sobre el feedback público, sin ningún
modelo de lenguaje. Se sobrerrepresentan páginas con amarillos de un valor y filas que
son subconjunto estricto de la cláusula. Ningún secreto de validación o prueba aparece
en entrenamiento. Detalle: data/ronda1/report.json y data/ronda2/report.json.
Entrenamiento
LoRA (sobre pesos de 4 bits) rango 16, escala 20, dropout 0,05, 12 capas, mask_prompt,
lote 1 con acumulación 4, mlx-lm 0.31.3, Apple M5 Pro (64 GB).
Ronda 1 (lora_config_d4_selector_r1.yaml): desde d3_paginas_cot3, lr 2e-5, detenida en
la iteración 1050; se usa su paso 1000. Ronda 2 (lora_config_d4_selector_r2.yaml): desde
ese paso, lr 1e-5 cosine, 1.340 iteraciones (1 h 52 min), semilla 4042. Este archivo es el
final de la ronda 2, elegido sólo con validación (checkpoint_selection.json).
Uso
pip install mlx-lm==0.31.3
mlx_lm.server --model mlx-community/Ministral-3-3B-Instruct-2512-4bit --port 8083
# cada petición al servidor puede llevar "adapters": "<ruta a esta carpeta>"
En el repositorio del proyecto:
python -m agents_d4.evaluate --system d4 --adapter <ruta descargada> --split test --run-id hf_check.
Limitaciones
Especializado en un formato y un roster fijos (173 campeones). No mejora a Memoria ni al Verificador. Ver resultados y fallos en el repositorio del proyecto.
Quantized
Model tree for MatiasCaamano/loldle-d4-selector-lora
Base model
mistralai/Ministral-3-3B-Base-2512