Downloads · 30 days
6
20% of all-time downloads
murilohonorato/classificador-citacao-vaga-ptbr
classificador-citacao-vaga-ptbr is a text classification model from murilohonorato. Use it when you need a label for a piece of text. The card lists the license as mit.
Distingue uma referência vaga a fonte jurídica de prosa comum que usa o mesmo vocabulário.
Downloads · 30 days
6
20% of all-time downloads
All-time downloads
30
Public
Parameters
334M
1.3 GB on disk
Likes
1
Public
Click a slice to open those files.
.safetensors1.3 GB · 100%
From the Hugging Face model README
Distingue uma referência vaga a fonte jurídica de prosa comum que usa o mesmo vocabulário.
"verbete sumular aplicável à espécie" → citação (0,94)
"precedentes aplicáveis à espécie" → prosa comum (0,02)
Construído para o desafio Caça-Alucinações — Jusbrasil × BRACIS 2026, onde
esse tipo de referência é classificado como incompleta: menciona uma fonte sem
dar identificador suficiente para verificá-la.
Referências vagas podiam ser reconhecidas por uma lista de sintagmas conhecidos. Uma lista acerta 100% do que já viu e zero do que não viu — e a variação de formulação em português é aberta.
Medimos que a distinção é aprendível: uma sonda linear sobre as representações congeladas do modelo base já separa as duas classes com AUC 0,985, sem qualquer treino. A informação está na representação; este modelo só a torna acessível.
O teste que importa esconde o sintagma inteiro do treino e testa exatamente nele — replicando a situação de uma formulação que a lista não contém:
| resultado | |
|---|---|
| sintagmas nunca vistos, reconhecidos | 21 / 24 (88%) |
| confiança média neles | 0,78 |
| validação por documento (AUC) | 0,977 |
Numa lista literal, esses mesmos casos dariam 0%.
Validação padrão deixando documentos de fora: AUC 0,977, AP 0,837.
from transformers import AutoModelForSequenceClassification, AutoTokenizer
import torch
nome = "murilohonorato/classificador-citacao-vaga-ptbr"
tok = AutoTokenizer.from_pretrained(nome)
mod = AutoModelForSequenceClassification.from_pretrained(nome).eval()
# passe o trecho COM contexto ao redor (~60 caracteres de cada lado),
# que é como o modelo foi treinado
texto = "...Reforça o argumento a jurisprudência pacífica desta Corte, de resto..."
enc = tok(texto, return_tensors="pt", truncation=True, max_length=128)
with torch.no_grad():
prob = torch.softmax(mod(**enc).logits, -1)[0, 1].item()
print(f"{prob:.2f}") # rótulo 1 = é citação vaga
O limiar recomendado é 0,90, alto de propósito: o modelo foi projetado como rede de segurança atrás de uma lista literal, e não deve custar precisão ao que a lista já resolve.
| base | Luciano/bertimbau-large-lener_br |
| exemplos | 218 (24 positivos, 194 negativos) |
| camadas treinadas | as 4 superiores + classificador; o resto congelado |
| épocas | 8 · lote 8 · lr 2e-5 · AdamW |
| perda | entropia cruzada com pesos de classe |
| semente | 20260902 |
Só as camadas de cima treinam porque 218 exemplos não sustentam o ajuste do modelo inteiro — congelar a base é o que sobra de regularização.
REsp 1.234.567/SP) —
essas são outro problema, resolvido por busca em base de referência.