cnmoro/Qwen2.5-0.5B-Portuguese-v2

Qwen2.5-0.5B finetuned for proficiency in Portuguese language and increased intelligence.

https://ollama.com/cnmoro/Qwen2.5-0.5B-Portuguese-v2

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "cnmoro/Qwen2.5-0.5B-Portuguese-v2"

model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype="auto",
    device_map="auto"
)
tokenizer = AutoTokenizer.from_pretrained(model_name)

prompt = "Escreva uma breve introdução sobre LLMs (Large Language Models) e suas aplicações."

# System prompt is always injected and hardcoded automatically
# for ideal performance in portuguese language.
# No need to write it again.
messages = [
    {"role": "user", "content": prompt}
]
text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True
)
model_inputs = tokenizer([text], return_tensors="pt").to(model.device)

generated_ids = model.generate(
    **model_inputs,
    max_new_tokens=512
)
generated_ids = [
    output_ids[len(input_ids):] for input_ids, output_ids in zip(model_inputs.input_ids, generated_ids)
]

response = tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]
response
# As Large Language Models (LLMs) são sistemas computacionais projetados para produzir
# linguagem natural com alta precisão e fluência. Eles usam algoritmos avançados para compreender
# e gerar texto, permitindo-lhes realizar tarefas como tradução de idiomas, geração de conteúdo
# e processamento de linguagem natural.
#
# Os LLMs têm sido amplamente utilizados na área da inteligência artificial e do aprendizado
# de máquina há vários anos. Alguns dos principais usos de LLMs incluem:
#
# 1. Tradução automática: Os LLMs podem traduzir textos entre diferentes idiomas, tornando-os
# úteis em setores onde a comunicação internacional é crítica, como negócios internacionais,
# diplomacia ou relações públicas.
#
# 2. Geração de conteúdo: os LLMs podem criar conteúdo altamente personalizado e adaptado às
# necessidades específicas de seus usuários, tornando-os ideais para criação de sites, aplicativos
# móveis ou plataformas de mídia social.
#
# 3. Processamento de Linguagem Natural: Os LLMs podem ser treinados para reconhecer e compreender
# padrões de linguagem, permitindo-lhes compreender melhor as intenções humanas e responder adequadamente.
#
# 4. Análise de sentimento: Os LLMs podem analisar dados de texto e identificar sentimentos, ajudando
# a entender como as pessoas se sentem em relação a determinadas questões ou questões sociais.
#
# No geral, os LLMs estão se tornando cada vez mais importantes à medida que a tecnologia continua a
# avançar. À medida que continuamos a usar LLMs em nossas vidas diárias, podemos esperar ver ainda
# mais desenvolvimentos interessantes no futuro.

Overall Results

Task	Metric	Value	StdErr
ASSIN2 RTE	F1 Macro	0.4486	0.0067
ASSIN2 RTE	Accuracy	0.5560	0.0071
ASSIN2 STS	Pearson	0.4091	0.0104
ASSIN2 STS	MSE	5.6395	N/A
BluEX	Accuracy	0.2503	0.0094
ENEM Challenge	Accuracy	0.3128	0.0071
FAQUAD NLI	F1 Macro	0.4611	0.0094
FAQUAD NLI	Accuracy	0.7877	0.0113
HateBR Offensive (Binary)	F1 Macro	0.3439	0.0049
HateBR Offensive (Binary)	Accuracy	0.4857	0.0095
OAB Exams	Accuracy	0.3062	0.0057
Portuguese Hate Speech (Binary)	F1 Macro	0.4119	0.0038
Portuguese Hate Speech (Binary)	Accuracy	0.7004	0.0111
TweetSentBR	F1 Macro	0.5055	0.0078
TweetSentBR	Accuracy	0.5697	0.0078

Detailed Results by Task

ASSIN2 RTE

Metric	Value	StdErr
F1 Macro	0.4486	0.0067
Accuracy	0.5560	0.0071

ASSIN2 STS

Metric	Value	StdErr
Pearson	0.4091	0.0104
MSE	5.6395	N/A

BluEX

Exam ID	Metric	Value	StdErr
All	Accuracy	0.2503	0.0094
USP_2018	Accuracy	0.2037	0.0315
UNICAMP_2018	Accuracy	0.1852	0.0306
UNICAMP_2021_1	Accuracy	0.0870	0.0240
USP_2020	Accuracy	0.2143	0.0317
USP_2023	Accuracy	0.2045	0.0350
UNICAMP_2019	Accuracy	0.2600	0.0358
USP_2019	Accuracy	0.1500	0.0326
UNICAMP_2020	Accuracy	0.2182	0.0321
UNICAMP_2021_2	Accuracy	0.2941	0.0367
UNICAMP_2023	Accuracy	0.4186	0.0433
UNICAMP_2024	Accuracy	0.3111	0.0398
USP_2024	Accuracy	0.2683	0.0398
USP_2021	Accuracy	0.3269	0.0375
UNICAMP_2022	Accuracy	0.3590	0.0444
USP_2022	Accuracy	0.2857	0.0370

ENEM Challenge

Exam ID	Metric	Value	StdErr
All	Accuracy	0.3128	0.0071
2017	Accuracy	0.2845	0.0241
2016	Accuracy	0.2479	0.0226
2016_2	Accuracy	0.2846	0.0235
2022	Accuracy	0.3534	0.0240
2012	Accuracy	0.3362	0.0253
2011	Accuracy	0.3333	0.0251
2010	Accuracy	0.3846	0.0260
2014	Accuracy	0.3211	0.0259
2009	Accuracy	0.2696	0.0239
2015	Accuracy	0.2521	0.0229
2023	Accuracy	0.3481	0.0236
2013	Accuracy	0.3333	0.0261

FAQUAD NLI

Metric	Value	StdErr
F1 Macro	0.4611	0.0094
Accuracy	0.7877	0.0113

HateBR Offensive (Binary)

Metric	Value	StdErr
F1 Macro	0.3439	0.0049
Accuracy	0.4857	0.0095

OAB Exams

Exam ID	Metric	Value	StdErr
All	Accuracy	0.3062	0.0057
2011-05	Accuracy	0.3375	0.0304
2012-06a	Accuracy	0.2625	0.0285
2010-02	Accuracy	0.3700	0.0279
2017-22	Accuracy	0.3500	0.0309
2016-20	Accuracy	0.3125	0.0300
2011-03	Accuracy	0.2626	0.0255
2015-17	Accuracy	0.3205	0.0304
2017-23	Accuracy	0.2875	0.0292
2018-25	Accuracy	0.3625	0.0311
2016-19	Accuracy	0.2436	0.0281
2017-24	Accuracy	0.1625	0.0238
2015-16	Accuracy	0.3125	0.0300
2011-04	Accuracy	0.3250	0.0301
2012-07	Accuracy	0.3500	0.0307
2012-06	Accuracy	0.1875	0.0253
2012-09	Accuracy	0.2468	0.0284
2013-12	Accuracy	0.3625	0.0311
2013-11	Accuracy	0.3000	0.0295
2010-01	Accuracy	0.3412	0.0296
2015-18	Accuracy	0.2875	0.0292
2014-13	Accuracy	0.3500	0.0308
2013-10	Accuracy	0.3125	0.0300
2016-20a	Accuracy	0.2500	0.0279
2014-14	Accuracy	0.3125	0.0301
2012-08	Accuracy	0.3000	0.0296
2016-21	Accuracy	0.3375	0.0304
2014-15	Accuracy	0.4103	0.0321

Portuguese Hate Speech (Binary)

Metric	Value	StdErr
F1 Macro	0.4119	0.0038
Accuracy	0.7004	0.0111

TweetSentBR

Metric	Value	StdErr
F1 Macro	0.5055	0.0078
Accuracy	0.5697	0.0078