Instituto-IA-LNCC/manaca-1b-base ? reverse-engineered prompt

Quero que você me ajude a deixar este projeto funcionando de ponta a ponta, de um jeito que eu consiga reproduzir o modelo e testar tudo localmente.

Preciso de um setup simples com Docker, onde eu consiga preparar o corpus em português do Brasil, treinar o tokenizador, rodar a preparação do treino e executar o pré treino e a avaliação sem ficar montando muita coisa na mão. Se tiver qualquer detalhe faltando nos arquivos de configuração, preencha com valores sensatos e me avise o que preciso ajustar, como pastas de dados, token HF e acesso à GPU. Também quero que os comandos principais fiquem fáceis de seguir, de preferência via Makefile ou scripts parecidos, para eu conseguir ir da clonagem até a avaliação final com poucos passos.

Se você precisar conferir algum detalhe do ambiente ou das ferramentas, pode olhar a documentação atual online.