Pedro21613/PS-design-2.5

PS-Design 2.5

Fine-tune para design de sites profissionais e ultra-modernos: gradientes animados, transições suaves, botões bonitos, animações (fade-up, float, marquee, reveal on scroll), glassmorphism, dark-neon e light premium. Mistura de velocidade + qualidade, com alta variedade.

• Base: Qwen/Qwen2.5-0.5B-Instruct + LoRA r16 alpha32 (treino contínuo a partir de Pedro21613/PS-design-1.2-beta)
• Idioma: Português (responde com HTML)
• Biblioteca: PEFT + safetensors

Treino v2.5

• Dataset: 3600 exemplos (dataset_ps25.jsonl, 3550 train + 50 eval), 30 nichos (SaaS, portfólio, e-commerce, restaurante, clínica, academia, agência, curso, hotel, fintech, IA, etc.), 6 design systems (aurora, neon-dark, glass-light, premium-min, vibrant, midnight-gold), 5 heros (center/split/asymmetric/mock/fullscreen)
• Cada HTML inclui: Tailwind via CDN, bg-gradient-to-r, transition-all duration-300, hover:-translate-y-0.5 hover:scale, @keyframes float/fadeUp/gradShift/marquee, IntersectionObserver reveal, botões pill com sheen e sombra
• 1 época, batch efetivo 16 (1x16), lr 2e-4 cosine, warmup 50, max_len 1200, fp16, SDPA, T4
• Checkpoints salvos a cada 150 steps em ps-design-2.5-checkpoints/ (checkpoint-150, checkpoint-222/final)
• Métricas finais: train_loss ~0.177, eval_loss ~0.0074

Uso

from transformers import AutoTokenizer, AutoModelForCausalLM
from peft import PeftModel
import torch
base = "Qwen/Qwen2.5-0.5B-Instruct"
repo = "Pedro21613/PS-design-2.5"
tok = AutoTokenizer.from_pretrained(base, trust_remote_code=True)
m = AutoModelForCausalLM.from_pretrained(base, trust_remote_code=True, dtype=torch.float16, device_map="auto")
m = PeftModel.from_pretrained(m, repo)
m.eval()
msgs = [
 {"role":"system","content":"Você é um designer front-end sênior especialista em páginas bonitas, modernas, minimalistas e profissionais. Sempre responda com código HTML completo, responsivo, usando Tailwind CSS via CDN, com gradientes, transições suaves, botões bonitos com hover, animações e visual ultra-moderno."},
 {"role":"user","content":"Crie uma landing page para cafeteria artesanal, minimalista e profissional"},
]
p = tok.apply_chat_template(msgs, tokenize=False, add_generation_prompt=True)
i = tok(p, return_tensors="pt").to(m.device)
o = m.generate(**i, max_new_tokens=1200, temperature=0.7, top_p=0.9, do_sample=True)
print(tok.decode(o[0], skip_special_tokens=True))

Checkpoints

Os checkpoints intermediários (checkpoint-150, checkpoint-222) foram salvos durante o treino para retomada/auditoria.