Assaoka/Tucano2-qwen-0.5b-Merge-FinBERT

Tucano2-qwen-0.5b-Merge-Sentiments-FinBERT-PT-BR (Prior Model)

Este é um modelo especialista em análise de sentimento em língua portuguesa, construído usando a estratégia Knowledge Accumulation (Prior). O modelo foi inicialmente pre-mesclado (merged) com outros especialistas usando TIES Merge e, em seguida, sofreu ajuste fino (fine-tuning) no conjunto de dados lucas-leme/Sentiments-FinBERT-PT-BR.

Este desenvolvimento faz parte do artigo científico submetido ao ENIAC 2026: "United Experts: Merging Small Language Models for Multi-Domain Sentiment Analysis in Portuguese".

📌 Detalhes do Modelo

• Modelos Base (Merge):
• Assaoka/Tucano2-qwen-0.5B-ReLiSA
• Assaoka/Tucano2-qwen-0.5B-Brighter
• Assaoka/Tucano2-qwen-0.5B-Phrasebank
• Assaoka/Tucano2-qwen-0.5B-GoEmotions
• Tarefa: Classificação de Sentimento em notícias e relatos do mercado financeiro em 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.

Dataset / Tarefa	Métrica	Valor	Baseline
RELI-SA	Macro F1 Micro F1 Accuracy Hamming Loss	40.23% 56.30% 56.30% 0.4370	30.66% 37.07% 37.07% 0.6293
BRIGHTER	Macro F1 Micro F1 Accuracy Hamming Loss	39.47% 54.66% 39.11% 0.1445	33.47% 38.07% 24.66% 0.2731
FINBERT-PT-BR	Macro F1 Micro F1 Accuracy Hamming Loss	79.72% 81.19% 81.19% 0.1881	54.77% 66.34% 66.34% 0.3366
FINANCIAL-PHRASEBANK	Macro F1 Micro F1 Accuracy Hamming Loss	66.10% 65.12% 65.12% 0.3488	38.13% 39.32% 39.32% 0.6068
GO-EMOTIONS	Macro F1 Micro F1 Accuracy Hamming Loss	21.48% 32.59% 27.95% 0.0528	7.59% 10.31% 6.08% 0.0720

🚀 Como utilizar o modelo (vLLM ou Transformers)

O modelo responde a prompts estruturados com instruções do sistema em português. Exemplo real de inferência estruturada:

from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "Assaoka/Tucano2-qwen-0.5b-Merge-FinBERT"
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: O lucro da empresa cresceu 15% neste trimestre, superando as expectativas do mercado."}
]

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": "positivo"}