Rafaelcedav/atlas-finanzas-deepseek-r1-8b

ATLAS DeepSeek-R1 Finanzas — Razonamiento Forense Fiscal

Chain-of-thought destilado de un modelo de 671B parámetros. Afinado para pensar como un investigador fiscal.

Fine-tune multi-ronda de DeepSeek-R1-Distill-Llama-8B para detección de anomalías financieras y auditoría fiscal forense en México y USA. Entrenado sobre AMD Instinct MI300X como parte del sistema ATLAS — AMD Hackathon 2025.

---

Por qué DeepSeek-R1 es diferente

La mayoría de los LLMs aprenden a responder. DeepSeek-R1 aprendió a razonar.

El modelo base fue entrenado por DeepSeek mediante reinforcement learning puro — sin supervisión humana en el proceso de razonamiento — lo que produjo un modelo que naturalmente genera cadenas de pensamiento estructuradas antes de responder. Luego fue destilado desde DeepSeek-R1 (671B parámetros) hacia arquitectura Llama-8B, preservando esa capacidad de razonamiento en un modelo 83x más pequeño y eficiente.

En el contexto de auditoría forense, esto se traduce en:

• Hipótesis alternativas evaluadas explícitamente
• Evidencia ponderada antes de emitir veredicto
• Razonamiento auditable y reversible
• Conclusiones con trazabilidad argumental

---

Historial de Entrenamiento

Ronda 1 — Dominio Financiero (Rama: main)

Dataset:   atlas_training_dataset_final.jsonl
Registros: 6,437 ejemplos financiero-legales MX/USA
Epochs:    3
Loss:      0.4829
Tiempo:    ~36 minutos
Hardware:  AMD MI300X (205GB VRAM)

Exposición amplia al dominio. Vocabulario fiscal, estructuras de casos, patrones de riesgo y normativa base MX/USA.

Ronda 2 — Especialización Legal (Rama: legal-v2)

Dataset:   atlas_audit_master_unified.jsonl
Registros: 3,502 casos legales de alta complejidad
Epochs:    3
Loss:      ~0.020 (train) | ~0.025 (eval)
Tiempo:    ~25 minutos
Hardware:  AMD MI300X (205GB VRAM)

Refinamiento sobre casos de mayor especificidad normativa. Artículos concretos, procedimientos forenses, cruces MX/USA. Convergencia en 25 minutos gracias a la eficiencia de la arquitectura Llama destilada corriendo en MI300X bfloat16 nativo.

---

Dominio de Conocimiento

México — CFF / LISR:

• Art. 69-B CFF — EFOS/EDOS: presunción, desvirtúo, efectos fiscales
• Art. 42 CFF — Facultades de comprobación SAT (Fr. I-X)
• Arts. 76, 81, 82 CFF — Infracciones graves y sanciones
• Art. 27 LISR — Requisitos de deducibilidad
• Art. 59-G LISR — Precios de transferencia y arm's length
• RMF RESICO 2025/2026 — Régimen de Confianza

USA — IRS / IRM:

• IRM 4.10 — Examination of Returns (Bank Deposits, Net Worth Methods)
• IRM 4.23 — Employment Tax / Worker Misclassification
• BSA/FBAR — FinCEN 114, structuring, smurfing patterns
• Common Law Test — Control de métodos y resultados
• Economic Reality Test — Integración económica

---

Uso

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

model_id = "Rafaelcedav/atlas-finanzas-deepseek-r1-8b"

# Ronda 2 (recomendado — especialización legal)
tokenizer = AutoTokenizer.from_pretrained(model_id, revision="legal-v2")
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    revision="legal-v2",
    torch_dtype=torch.bfloat16,
    attn_implementation="eager",  # Requerido en ROCm
    device_map="auto"
)

messages = [
    {
        "role": "system",
        "content": "Eres ATLAS, auditor forense especializado en derecho fiscal MX/USA. Razona paso a paso. Identifica artículos específicos y construye argumentos auditables."
    },
    {
        "role": "user",
        "content": "Empleado con horario fijo, oficina asignada y herramientas del empleador, pero clasificado como contratista independiente. Sin retenciones de nómina. ¿Análisis completo?"
    }
]

inputs = tokenizer.apply_chat_template(
    messages, return_tensors="pt", add_generation_prompt=True
)
output = model.generate(
    inputs, max_new_tokens=1024, temperature=0.1, do_sample=True
)
print(tokenizer.decode(output[0][inputs.shape[-1]:], skip_special_tokens=True))

---

Rol en Pipeline ATLAS

[Vision · InternVL2-40B] ──► [Compliance · Motor 11434]
                                          │
                                          ▼
                          ┌───────────────────────────┐
                          │  DeepSeek-R1 · Motor 8000 │ ◄── Este modelo
                          │                           │
                          │  Recibe hallazgos visión  │
                          │  Razona sobre evidencia   │
                          │  Descarta hipótesis        │
                          │  Emite veredicto trazable │
                          └─────────────┬─────────────┘
                                        │
                                        ▼
                              [Validator] ──► [Explainer]

---

Ecosistema ATLAS

Modelo	Rol	Params	Rondas	Eval Loss
atlas-r2-qwen3-14b	Razonamiento principal	14.7B	2	~0.019
atlas-finanzas-deepseek-r1-8b	Análisis financiero forense	8.3B	2	~0.025
atlas-mistral-7b-legal	Agente legal MX/USA	7.2B	1	0.0184

---

Stack Técnico

GPU:          AMD Instinct MI300X VF
VRAM:         205.8 GB
PyTorch:      2.5.1+rocm6.2
Optimizer:    adamw_torch
Attention:    eager                 # SDPA → NaN en ROCm + bf16
Precision:    bfloat16
Serving:      vLLM (OpenAI-compat · Puerto 8000)

---

Distilled from 671B. Trained on AMD. Built for forensic truth.