---
license: apache-2.0
language: es
datasets:
- bertin-project/alpaca-spanish
pipeline_tag: text2text-generation
tags:
- salpaca
- mT5
- spanish
widget:
- text: "instrut5: Explica la siguiente frase: YOLO. <in></in>"
  example_title: "Explicar frase"
- text: "instrut5: Generar una lista de preguntas interesantes sobre el tema del cambio climático.<in></in>"
  example_title: "Generar preguntas"
- text: "instrut5: Escribe un correo electrónico dando la bienvenida a un nuevo empleado.<in>Juan</in>"
  example_title: "Escribir email"
---

Esta es una versión más pequeña del modelo google/mt5-base con embeddings solo en español y algunas en inglés obtenidas de https://huggingface.co/JorgeSarry/
El número de parámetros del modelo es de 244 millones de parámetros, lo que da como resultado un modelo de 0,9 GB, el 42 % del original.

Puedes usar este modelo utilizando el tag "instrut5:"

=====

This is a smaller version of the google/mt5-base model with only Spanish and some English embeddings obtained from https://huggingface.co/JorgeSarry/
The number of model parameters is 244M parameters, resulting on a model of 0.9GB - 42% of the original one.

You can use this model starging with the tag "instrut5:"

---

# Spanish Alpaca mT5

This repository contains a mT5 fine-tuned model on the [Bertin Project - Alpaca Spanish](https://huggingface.co/datasets/bertin-project/alpaca-spanish) cleaned version dataset.

# Usage

## Using the model

The model was trained on the following kind of code that shows the prompt as 'input_text' and the output:

```python
from transformers import AutoTokenizer, AutoModelForSeq2SeqLM

model = 'jalbarracin/spanish-alpaca-mT5'
model_tokenizer = 'jalbarracin/spanish-alpaca-mT5'
tokenizer = AutoTokenizer.from_pretrained(model_tokenizer)
model = AutoModelForSeq2SeqLM.from_pretrained(model).to('cpu') #puedes cambiar a 'cuda' si tienes GPU

input_text ="""instrut5: QuanticoTrends (https://www.quanticotrends.com/) se dedica al monitoreo de redes sociales para empresas. Escribe un anuncio para anunciar los servicios de QuanticoTrends en facebook<in></in>"""

inputs = tokenizer(input_text, return_tensors="pt").to('cpu') #puedes cambiar a 'cuda' si tienes GPU

outputs = model.generate(inputs["input_ids"],
                         do_sample = True,
                         max_length = 500,
                         num_return_sequences=3, #recomiendo hasta 6 para que no demore mucho
                         top_k=50,
                         top_p=0.90,
                        )
detok_outputs = [tokenizer.decode(x, skip_special_tokens=True) for x in outputs]

for output in detok_outputs: 
    print(output)
    print("/n") # imprime un salto de linea para separar cada uno de los outputs (en el caso que num_return_sequences sea mayor que 1)
```

El output de este ejemplo:

```python
¡¿Echa un vistazo a nosotros y descubre los servicios de QuanticoTrends en Facebook! Observa el rendimiento de tus sitios web, recopila información de empresas, construye relaciones con otros usuarios e incluso realiza un seguimiento de tus campañas. ¡Disfruta de las herramientas que necesitas para hacer la transición a la realidad virtual! #QuanticoTrends #Marketing #Sostenibilidad

¡Bienvenido a QuanticoTrends! Estamos dedicados al monitoreo de redes sociales para empresas y nuestro servicio al cliente. Nuestro monitoreo de redes sociales está diseñado para brindar a los usuarios la mejor experiencia, consejos y consejos para tomar decisiones inteligentes y productivas para nuestras empresas. ¡Únete a nosotros hoy para estar al día con las tendencias de QuanticoTrends!

¡Aprovecha nuestra especialidad de monitoreo de redes sociales para empresas! Regístrate ahora y crea una nueva selección de servicios y recursos que se adaptan a tus intereses y necesidades. # QuanticoTrends #empresas # MonitoreoDe redes sociales #MantenteSeguro #Visibilidad
```