azmina/quiteria-2.0

Quiteria 2.0

Quiteria 2.0 reúne dois modelos BERT de classificação de textos em português:

Subpasta	Tarefa	Classes
tema	Classificação de temas	10
favorabilidade	Classificação de favorabilidade	2

Os modelos são independentes e compartilham este repositório apenas para facilitar a distribuição e o versionamento.

Como usar

Instale as dependências:

pip install torch transformers

Classificação de temas

from transformers import AutoModelForSequenceClassification, AutoTokenizer, pipeline

repo_id = "azmina/quiteria-2.0"
subfolder = "tema"

tokenizer = AutoTokenizer.from_pretrained(repo_id, subfolder=subfolder)
model = AutoModelForSequenceClassification.from_pretrained(
    repo_id,
    subfolder=subfolder,
)

classificador_tema = pipeline(
    "text-classification",
    model=model,
    tokenizer=tokenizer,
)

print(classificador_tema("Texto a ser classificado"))

Classificação de favorabilidade

from transformers import AutoModelForSequenceClassification, AutoTokenizer, pipeline

repo_id = "azmina/quiteria-2.0"
subfolder = "favorabilidade"

tokenizer = AutoTokenizer.from_pretrained(repo_id, subfolder=subfolder)
model = AutoModelForSequenceClassification.from_pretrained(
    repo_id,
    subfolder=subfolder,
)

classificador_favorabilidade = pipeline(
    "text-classification",
    model=model,
    tokenizer=tokenizer,
)

print(classificador_favorabilidade("Texto a ser classificado"))

Estrutura

.
├── README.md
├── favorabilidade
│   ├── config.json
│   ├── model.safetensors
│   ├── tokenizer.json
│   └── tokenizer_config.json
└── tema
    ├── config.json
    ├── model.safetensors
    ├── tokenizer.json
    └── tokenizer_config.json

Observações

• O Hub exibe um único model card por repositório.
• Cada modelo deve ser carregado explicitamente com o argumento subfolder.
• O widget e a inferência automática do Hub esperam, em geral, um único modelo na raiz. Para disponibilizar inferência automática separada para cada tarefa, publique os modelos em repositórios distintos.
• Os nomes semânticos das classes não foram incluídos nos artefatos fornecidos. O modelo de temas retorna LABEL_0 a LABEL_9; o modelo de favorabilidade retorna os índices das duas classes. Consulte o mapeamento usado no treinamento para interpretar corretamente os resultados.

Limitações

Os resultados devem ser validados no domínio de uso pretendido. Desempenho, vieses e limitações dependem dos dados e do procedimento de treinamento, que não acompanham estes artefatos.