GLM-5.3 is live. Run Z.ai's latest model on Friendli Model APIs. Try it today ➜
Assaoka
Available on FriendliAI
Run this model inference on single tenant GPU with unmatched speed and reliability at scale.
Run this model inference with full control and performance in your environment.
Model Details
Model Provider
Assaoka
Model Tree
Assaoka/Tucano2-qwen-0.5B-Brighter
Input Modalities
Output Modalities
Supported Functionality
Assaoka/Tucano2-qwen-0.5B-ReLiSAAssaoka/Tucano2-qwen-0.5B-BrighterAssaoka/Tucano2-qwen-0.5B-FinBERTAssaoka/Tucano2-qwen-0.5B-GoEmotionsMétricas padronizadas (Macro F1 · Micro F1 · Accuracy · Hamming Loss) calculadas sobre o conjunto de teste completo de cada domínio. A coluna Baseline corresponde ao modelo base Polygl0t/Tucano2-qwen-0.5B-Instruct sem fine-tuning.
| Dataset / Tarefa | Métrica | Valor | Baseline |
|---|---|---|---|
| RELI-SA | Macro F1Micro F1AccuracyHamming Loss | 45.44%70.95%70.95%0.2905 | 30.66%37.07%37.07%0.6293 |
| BRIGHTER | Macro F1Micro F1AccuracyHamming Loss | 36.53%51.70%37.42%0.1520 | 33.47%38.07%24.66%0.2731 |
| FINBERT-PT-BR | Macro F1Micro F1AccuracyHamming Loss | 81.17%81.19%81.19%0.1881 | 54.77%66.34%66.34%0.3366 |
| FINANCIAL-PHRASEBANK | Macro F1Micro F1AccuracyHamming Loss |
O modelo responde a prompts estruturados com instruções do sistema em português. Exemplo real de inferência estruturada:
python
from transformers import AutoModelForCausalLM, AutoTokenizer model_id = "Assaoka/Tucano2-qwen-0.5b-Merge-Phrasebank"tokenizer = AutoTokenizer.from_pretrained(model_id)model = AutoModelForCausalLM.from_pretrained(model_id, device_map="auto") messages = [ {"role": "system", "content": "Você é um analista financeiro. Classifique o sentimento da frase sobre finanças em português fornecida em uma das seguintes opções: 'positivo', 'negativo', 'neutro'. Sua tarefa é retornar um JSON válido no seguinte formato: {"sentimento": "positivo/negativo/neutro"}. Responda APENAS com o JSON válido."}, {"role": "user", "content": "Frase: A receita operacional líquida da companhia caiu de forma acentuada devido à paralisação das fábricas."}] prompt = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)inputs = tokenizer(prompt, return_tensors="pt").to("cuda")outputs = model.generate(**inputs, max_new_tokens=100)print(tokenizer.decode(outputs[0], skip_special_tokens=True))# Resposta esperada: {"sentimento": "negativo"}| 85.32%86.48%86.48%0.1352 |
| 38.13%39.32%39.32%0.6068 |
| GO-EMOTIONS | Macro F1Micro F1AccuracyHamming Loss | 21.93%33.54%29.01%0.0518 | 7.59%10.31%6.08%0.0720 |
from transformers import AutoModelForCausalLM, AutoTokenizer model_id = "Assaoka/Tucano2-qwen-0.5b-Merge-Phrasebank"tokenizer = AutoTokenizer.from_pretrained(model_id)model = AutoModelForCausalLM.from_pretrained(model_id, device_map="auto") messages = [ {"role": "system", "content": "Você é um analista financeiro. Classifique o sentimento da frase sobre finanças em português fornecida em uma das seguintes opções: 'positivo', 'negativo', 'neutro'. Sua tarefa é retornar um JSON válido no seguinte formato: {"sentimento": "positivo/negativo/neutro"}. Responda APENAS com o JSON válido."}, {"role": "user", "content": "Frase: A receita operacional líquida da companhia caiu de forma acentuada devido à paralisação das fábricas."}] prompt = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)inputs = tokenizer(prompt, return_tensors="pt").to("cuda")outputs = model.generate(**inputs, max_new_tokens=100)print(tokenizer.decode(outputs[0], skip_special_tokens=True))# Resposta esperada: {"sentimento": "negativo"}