Instructions to use Fabitos/lorafood with libraries, inference providers, notebooks, and local apps. Follow these links to get started.
- Libraries
- PEFT
How to use Fabitos/lorafood with PEFT:
from peft import PeftModel from transformers import AutoModelForCausalLM base_model = AutoModelForCausalLM.from_pretrained("Qwen/Qwen2.5-7B-Instruct") model = PeftModel.from_pretrained(base_model, "Fabitos/lorafood") - Notebooks
- Google Colab
- Kaggle
pedido-delivery-ptbr-lora
Adaptador LoRA para Qwen/Qwen2.5-0.5B-Instruct que extrai pedidos de delivery de
mensagens informais em português para JSON.
- Entrada: mensagem do cliente, com o prompt de sistema
Extraia o pedido de delivery da mensagem em JSON. - Saída:
{"itens":[{"item","qtd","obs"}],"pagamento","tipo","orcamento","troco_para"}
Treino
LoRA rank 8 em q_proj, k_proj, v_proj, o_proj; 1 época sobre 1.200 exemplos;
AdamW, taxa de aprendizado 1e-3 com aquecimento e decaimento linear; treinado em CPU
(16 minutos em 4 núcleos) com o Soup CLI.
Dados
1.540 exemplos sintéticos. Os pedidos são sorteados de um catálogo fictício de 49 itens e as mensagens são escritas por LLMs (gpt-oss-120b e qwen3.8-27b, via Groq).
Resultados (200 exemplos de teste)
| Métrica | Valor |
|---|---|
| Pedido exato | 84,5% |
| F1 de itens | 95,1% |
| JSON válido | 100% |
Limitações
Dados sintéticos e catálogo fixo: o modelo só conhece os 49 itens do treino e não foi avaliado em mensagens reais. Não use em produção sem avaliar com dados do seu domínio.
- Downloads last month
- 19
Inference Providers NEW
This model isn't deployed by any Inference Provider. 🙋 Ask for provider support