Downloads · 30 days
4
0% of all-time downloads
teixeira-alberto/qwen3-4b-ft-rh-curriculos-gguf
qwen3-4b-ft-rh-curriculos-gguf is a machine learning model from teixeira-alberto. Use it for the machine learning task on the model card, and read the license before you ship it in a product. It is set up for gguf. The card lists the license as apache-2.0.
Qwen3-4B com LoRA Full (fine-tune) especializado em parsing de currículos: recebe o texto de um currículo (extraído de PDF) e devolve um único objeto JSON no schema estilo LinkedIn. Distribuído em GGUF, pronto para ro…
Downloads · 30 days
4
0% of all-time downloads
All-time downloads
848
Public
Repo size
14.8 GB
Likes
0
Public
Click a slice to open those files.
.gguf14.8 GB · 100%
From the Hugging Face model README
Qwen3-4B com LoRA Full (fine-tune) especializado em parsing de currículos: recebe o texto de um currículo (extraído de PDF) e devolve um único objeto JSON no schema estilo LinkedIn. Distribuído em GGUF, pronto para rodar no ollama.
unsloth/Qwen3-4Bteixeira-alberto/ft-lora-rh-curriculos-qwen3_4b| Pasta | Tipo | Tamanho | Uso |
|---|---|---|---|
bf16/ | BF16 (sem quantização) | ~8,0 GB | referência / fidelidade máxima |
q8_0/ | Q8_0 | ~4,3 GB | praticamente idêntico ao bf16 |
q4_k_m/ | Q4_K_M | ~2,5 GB | recomendado — leve, roda em GPU modesta |
Cada subpasta contém: o .gguf, um Modelfile (template do ollama já configurado) e um README.md.
Opção A — baixar a subpasta + Modelfile:
huggingface-cli download teixeira-alberto/qwen3-4b-ft-rh-curriculos-gguf --include "q4_k_m/*" --local-dir .
ollama create qwen3-rh -f q4_k_m/Modelfile
ollama run qwen3-rh
Opção B — pull direto pela tag de quantização:
ollama run hf.co/teixeira-alberto/qwen3-4b-ft-rh-curriculos-gguf:Q4_K_M
O Modelfile já traz o template do Qwen3 sem thinking, stop=<|im_end|>, temperature=0 e
num_ctx=8192. Entrada: o texto do currículo. Saída: um JSON com os campos
name, headline, location, contact, summary, top_skills, languages, experience, education, certifications, publications, honors_and_awards.
Cada um dos 3 GGUF foi testado em 10 currículos reais e curados à mão do LinkedIn (subconjunto held-out do conjunto de avaliação de 50 currículos, não usados no treino), rodando via ollama — o mesmo caminho de uso final — e com o prompt idêntico ao do treino. A verificação tem dois níveis: estrutura/conversão e qualidade/paridade.
Subconjunto avaliado: c001, c006, c012, c017, c023, c028, c034, c039, c045, c050 (10 dos 50, espaçados).
Leitura direta dos metadados e dos dtypes reais dos tensores dentro de cada .gguf:
| Variante | Arquitetura | file_type | Tensores (dtype) | tokenizer + chat template | Tamanho |
|---|---|---|---|---|---|
| bf16 | qwen3 | BF16 | BF16: 253 · F32: 145 | ✅ | ~8,0 GB |
| q8_0 | qwen3 | Q8_0 | Q8_0: 253 · F32: 145 | ✅ | ~4,3 GB |
| q4_k_m | qwen3 | Q4_K_M | Q4_K: 216 · Q6_K: 37 · F32: 145 | ✅ | ~2,5 GB |
→ Confirma que cada arquivo é um GGUF Qwen3 com o file_type correto, realmente
quantizado no dtype esperado, e com tokenizer + chat template embutidos.
Métricas (Exact Match, F1 semântico, BLEU, ROUGE, Recall) calculadas contra o ground truth
curado, com o mesmo avaliador usado no modelo original em transformers:
| Variante | JSON válido | parse_err | EM | F1 Sem. | BLEU | ROUGE | Recall | paridade vs FT |
|---|---|---|---|---|---|---|---|---|
| bf16 | 49/50 | 1 | 94.50 | 97.72 | 71.17 | 89.64 | 91.09 | 99.76% |
| q8_0 | 49/50 | 1 | 94.50 | 97.64 | 71.25 | 89.69 | 91.21 | 99.67% |
| q4_k_m | 50/50 | 0 | 94.07 | 97.56 | 69.69 | 88.67 | 90.01 | 98.90% |
Fine-tune de extração de currículos (PDF→JSON) treinado sobre um dataset de perfis no formato LinkedIn (PT-BR + EN). No conjunto de 50 currículos reais do LinkedIn, o modelo fine-tunado supera o Qwen3-4B base e modelos de referência (Gemma e Gemini) nas 5 métricas. Detalhes de construção do dataset e treino no repositório do adapter.
teixeira-alberto/ft-lora-rh-curriculos-qwen3_4b