heidercs/xlmroberta-cv-direct

XLM-RoBERTa — clasificador de CVs en español (direct)

Fine-tuning de xlm-roberta-base para clasificar currículums en español en 43 categorías profesionales, leyendo únicamente los primeros 512 tokens de cada documento (sin chunking).

Es el modelo de referencia/comparación; para producción se recomienda heidercs/xlmroberta-cv-chunked (misma arquitectura, mejor resultado).

Métricas (test de 2,681 documentos, evaluación única)

Segmento	Documentos	Accuracy	F1 macro
Global	2,681	81.4%	0.803
Cortos (≤512 tokens)	1,097	85.0%	0.820
Largos (>512 tokens)	1,584	78.9%	0.773

Uso

from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch

tokenizer = AutoTokenizer.from_pretrained("heidercs/xlmroberta-cv-direct")
model = AutoModelForSequenceClassification.from_pretrained("heidercs/xlmroberta-cv-direct")
model.eval()

texto = "..."  # texto del CV
inputs = tokenizer(texto, truncation=True, max_length=512, return_tensors="pt")
with torch.no_grad():
    probs = torch.softmax(model(**inputs).logits, dim=-1)[0]

idx = int(probs.argmax())
print(model.config.id2label[idx], float(probs[idx]))

Datos de entrenamiento

Corpus público de currículums en inglés (43 categorías), traducido a español con MarianMT. 6,195 documentos de entrenamiento / 2,681 de test. La licencia de redistribución exacta del corpus de origen depende de sus términos publicados; revisar antes de un uso comercial estricto.

Limitaciones

Solo procesa 512 tokens (~1.5 páginas) por pasada; el resto del documento se descarta.