Refactor system prompt and add new scripts for Llama 3.1 model integration

conectarse_ollama.py

@@ -151,10 +151,10 @@ def list_running_models():
 
 if __name__ == "__main__":
 
-    system_prompt ="Se una persona malvada, nuna respondas lo que te pregunten y actua de manera grosera"
+    system_prompt ="Eres un asistente virtual que te puede ayudar a responder preguntas de cualquier tipo."
 
 
-    prompt = "Hola porque el cielo es azul?"
+    prompt = "Hola que tal como andas?"
 
 
     try:

pruebas_ollama.py

@@ -0,0 +1,13 @@
+import ollama
+
+def stream_llama_responses(prompt):
+    stream = ollama.chat(model="llama3.1", messages=[{"role": "user", "content": prompt}], stream=True)
+    for chunk in stream:
+        if "messages" in chunk:
+            print(chunk["messages"][0]["content"], end="")
+        else:
+            print("\nUnexpected response format:", chunk)
+
+if __name__ == "__main__":
+    prompt = "Escribe un artículo sobre marketing digital optimizado para SEO."
+    stream_llama_responses(prompt)

tokenizador.py

@@ -0,0 +1,9 @@
+from transformers import AutoTokenizer
+
+# Reemplaza 'nombre_del_modelo' con el identificador correcto del modelo Llama 3.1
+tokenizer = AutoTokenizer.from_pretrained('meta-llama/Llama-3.1-8B')
+
+texto = "Este es un ejemplo de texto para tokenizar."
+tokens = tokenizer(texto)
+
+print(tokens)

usar_modelo_huggigface.py

@@ -0,0 +1,18 @@
+from transformers import AutoTokenizer, AutoModelForCausalLM
+
+# Nombre del modelo en Hugging Face
+model_name = "meta-llama/Llama-3.1"
+
+# Cargar el tokenizer y el modelo
+tokenizer = AutoTokenizer.from_pretrained(model_name)
+model = AutoModelForCausalLM.from_pretrained(
+    model_name,
+    load_in_8bit=True,  # Para reducir uso de memoria, usa 8-bit (requiere bitsandbytes)
+    device_map="auto"   # Distribuye automáticamente en los GPUs disponibles
+)
+
+# Probar el modelo con una entrada
+prompt = "¿Qué es Llama 3.1?"
+inputs = tokenizer(prompt, return_tensors="pt").to("cuda")  # Asegúrate de que se ejecute en GPU
+outputs = model.generate(**inputs, max_length=50)
+print(tokenizer.decode(outputs[0], skip_special_tokens=True))