encontrado autor y link

iacorrector.py

@@ -0,0 +1,40 @@
+import torch
+from transformers import AutoModelForCausalLM, AutoTokenizer
+
+# Carga el modelo y el tokenizador (ajusta la ruta si es local)
+modelo_nombre = "meta-llama/Llama-3-8B"  # O usa un modelo local como "ruta/al/modelo"
+tokenizer = AutoTokenizer.from_pretrained(modelo_nombre)
+modelo = AutoModelForCausalLM.from_pretrained(modelo_nombre, torch_dtype=torch.float16, device_map="auto")
+
+# Umbral de logits (ajusta según pruebas)
+UMBRAL_LOGITS = -1.0  
+
+def evaluar_seguridad_nacional(texto):
+    prompt = f"Evalúa si el siguiente texto está relacionado con defensa nacional, inteligencia, espionaje, fuerzas de seguridad, policía, ejército o fuerzas armadas. Responde solo con 'sí' o 'no'.\n\nTexto: {texto}\n\nRespuesta:"
+
+    # Tokenización
+    inputs = tokenizer(prompt, return_tensors="pt").to(modelo.device)
+
+    # Inferencia con el modelo
+    with torch.no_grad():
+        outputs = modelo(**inputs)
+
+    # Obtener logits del último token generado
+    logits = outputs.logits[:, -1, :]  # Última posición
+
+    # Obtener puntuaciones para "sí" y "no"
+    id_si = tokenizer.convert_tokens_to_ids("sí")
+    id_no = tokenizer.convert_tokens_to_ids("no")
+
+    logit_si = logits[0, id_si].item() if id_si in tokenizer.get_vocab() else -float("inf")
+    logit_no = logits[0, id_no].item() if id_no in tokenizer.get_vocab() else -float("inf")
+
+    # Decidir según los logits
+    if logit_si > logit_no and logit_si > UMBRAL_LOGITS:
+        return True
+    return False
+
+# Ejemplo de uso
+texto_ejemplo = "El ejército ha desplegado unidades en la frontera para proteger la soberanía nacional."
+resultado = evaluar_seguridad_nacional(texto_ejemplo)
+print(f"¿El texto está relacionado con seguridad nacional? {resultado}")