Instructions to use aitalo/qwen2.5-0.5b-avaliacoes-ptbr with libraries, inference providers, notebooks, and local apps. Follow these links to get started.
- Libraries
- Transformers
How to use aitalo/qwen2.5-0.5b-avaliacoes-ptbr with Transformers:
# Use a pipeline as a high-level helper from transformers import pipeline pipe = pipeline("text-generation", model="aitalo/qwen2.5-0.5b-avaliacoes-ptbr") messages = [ {"role": "user", "content": "Who are you?"}, ] pipe(messages)# pip install -U transformers accelerate # Load model directly from transformers import AutoTokenizer, AutoModelForCausalLM tokenizer = AutoTokenizer.from_pretrained("aitalo/qwen2.5-0.5b-avaliacoes-ptbr") model = AutoModelForCausalLM.from_pretrained("aitalo/qwen2.5-0.5b-avaliacoes-ptbr", device_map="auto") messages = [ {"role": "user", "content": "Who are you?"}, ] inputs = tokenizer.apply_chat_template( messages, add_generation_prompt=True, tokenize=True, return_dict=True, return_tensors="pt", ).to(model.device) outputs = model.generate(**inputs, max_new_tokens=256) print(tokenizer.decode(outputs[0][inputs["input_ids"].shape[-1]:])) - Notebooks
- Google Colab
- Kaggle
- Local Apps Settings
- vLLM
How to use aitalo/qwen2.5-0.5b-avaliacoes-ptbr with vLLM:
Install from pip and serve model
# Install vLLM from pip: pip install vllm # Start the vLLM server: vllm serve "aitalo/qwen2.5-0.5b-avaliacoes-ptbr" # Call the server using curl (OpenAI-compatible API): curl -X POST "http://localhost:8000/v1/chat/completions" \ -H "Content-Type: application/json" \ --data '{ "model": "aitalo/qwen2.5-0.5b-avaliacoes-ptbr", "messages": [ { "role": "user", "content": "What is the capital of France?" } ] }'Use Docker
docker model run hf.co/aitalo/qwen2.5-0.5b-avaliacoes-ptbr
- SGLang
How to use aitalo/qwen2.5-0.5b-avaliacoes-ptbr with SGLang:
Install from pip and serve model
# Install SGLang from pip: pip install sglang # Start the SGLang server: python3 -m sglang.launch_server \ --model-path "aitalo/qwen2.5-0.5b-avaliacoes-ptbr" \ --host 0.0.0.0 \ --port 30000 # Call the server using curl (OpenAI-compatible API): curl -X POST "http://localhost:30000/v1/chat/completions" \ -H "Content-Type: application/json" \ --data '{ "model": "aitalo/qwen2.5-0.5b-avaliacoes-ptbr", "messages": [ { "role": "user", "content": "What is the capital of France?" } ] }'Use Docker images
docker run --gpus all \ --shm-size 32g \ -p 30000:30000 \ -v ~/.cache/huggingface:/root/.cache/huggingface \ --env "HF_TOKEN=<secret>" \ --ipc=host \ lmsysorg/sglang:latest \ python3 -m sglang.launch_server \ --model-path "aitalo/qwen2.5-0.5b-avaliacoes-ptbr" \ --host 0.0.0.0 \ --port 30000 # Call the server using curl (OpenAI-compatible API): curl -X POST "http://localhost:30000/v1/chat/completions" \ -H "Content-Type: application/json" \ --data '{ "model": "aitalo/qwen2.5-0.5b-avaliacoes-ptbr", "messages": [ { "role": "user", "content": "What is the capital of France?" } ] }' - Docker Model Runner
How to use aitalo/qwen2.5-0.5b-avaliacoes-ptbr with Docker Model Runner:
docker model run hf.co/aitalo/qwen2.5-0.5b-avaliacoes-ptbr
Qwen2.5-0.5B ajustado para extração estruturada de avaliações em PT-BR
Qwen2.5-0.5B-Instruct ajustado com QLoRA para transformar avaliações de clientes de e-commerce, em português, em JSON com: sentimento geral, sentimento por aspecto (entrega, produto, atendimento, preço), problema principal e se a empresa precisa agir.
Código do pipeline completo: https://github.com/ItaloSLeao/pt-review-extractor
Uso
O modelo foi treinado com um prompt de sistema fixo, definido em src/common.py do repositório. Use build_messages e parse_output de lá.
import torch
from transformers import AutoModelForCausalLM, AutoTokenizer
from common import build_messages, parse_output # do repositório
M = "aitalo/qwen2.5-0.5b-avaliacoes-ptbr"
tok = AutoTokenizer.from_pretrained(M)
model = AutoModelForCausalLM.from_pretrained(M, dtype=torch.float16, device_map="auto")
prompt = tok.apply_chat_template(build_messages("Chegou quebrado e ninguém me atende."), tokenize=False, add_generation_prompt=True)
enc = tok(prompt, return_tensors="pt").to(model.device)
out = model.generate(**enc, max_new_tokens=200, do_sample=False)
print(parse_output(tok.decode(out[0, enc.input_ids.shape[1]:], skip_special_tokens=True)))
Treino
- Base: Qwen2.5-0.5B-Instruct, QLoRA 4-bit (NF4), r=16, alpha=32, todos os módulos lineares.
- Dados: 4.942 avaliações da Olist, rotuladas por um modelo professor (Qwen2.5-7B-Instruct-AWQ) com saída validada contra o esquema JSON.
- 2 épocas, lote efetivo 16, taxa de aprendizado 2e-4 (cosine, 30 passos de aquecimento), fp16, em uma GPU T4.
Resultados
Conjunto de teste de 297 avaliações, com rótulos revisados pelo autor (ver o card do dataset). Saídas que não são JSON válido contam como erro em todas as métricas.
| Métrica | Base 0.5B | Ajustado |
|---|---|---|
| JSON válido | 0,185 | 0,956 |
| F1 sentimento (macro) | 0,212 | 0,760 |
| F1 entrega | 0,104 | 0,893 |
| F1 produto | 0,189 | 0,844 |
| F1 atendimento | 0,035 | 0,733 |
| F1 preço | 0,046 | 0,757 |
| F1 requer ação | 0,219 | 0,823 |
Limitações
- Domínio: avaliações de e-commerce da Olist, não de delivery de comida nem de outros setores.
- Os rótulos de treino vêm de um modelo professor e carregam os erros dele; só o conjunto de teste foi revisado.
- O teste tem 297 exemplos, com poucos casos
neutro(~23) e poucos exemplos deatendimentoepreço, então o F1 nessas classes é instável. Os resultados são de uma única rodada de treino. - 4,4% das saídas no teste não foram JSON válido.
- Os dados de treino vêm de uma base sob CC BY-NC-SA 4.0 (uso não comercial). O modelo foi feito para estudo e portfólio; para uso comercial, verifique as condições. O autor não é advogado.
- Downloads last month
- 59