Assaoka

Tucano2-qwen-0.5b-Merge-Phrasebank

README

License: apache-2.0

📌 Detalhes do Modelo

Modelos Base (Merge):
Assaoka/Tucano2-qwen-0.5B-ReLiSA
Assaoka/Tucano2-qwen-0.5B-Brighter
Assaoka/Tucano2-qwen-0.5B-FinBERT
Assaoka/Tucano2-qwen-0.5B-GoEmotions
Tarefa: Análise de Sentimento (positivo, negativo, neutro) estruturada para o Financial Phrasebank traduzido para português após alinhamento sequencial por Knowledge Accumulation (Prior).
Domínio: Língua Portuguesa (PT-BR).
Licença: Apache 2.0.
Estratégia: Alinhamento sequencial via Knowledge Accumulation (Prior + Fine-tuning).

📊 Avaliação Completa (In-Domain & Out-Of-Domain)

Métricas 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.

Table with columns: Dataset / Tarefa, Métrica, Valor, Baseline
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

🚀 Como utilizar o modelo (vLLM ou Transformers)

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"}

Available on FriendliAI

Dedicated Endpoints

Run this model inference on single tenant GPU with unmatched speed and reliability at scale.

Learn more

Container

Run this model inference with full control and performance in your environment.

Learn more

Model Details

Model Provider

Assaoka

Model Tree

Base

Assaoka/Tucano2-qwen-0.5B-Brighter

Fine-tuned

this model

Input Modalities

Text

Output Modalities