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
|
Download README.md from Fabitos/lorafood: direct link, hf CLI and curl.
- Browser
- Download file 1.31 kB
-
https://huggingface.co/Fabitos/lorafood/resolve/main/README.md
- Command line
-
hf download hf://Fabitos/lorafood/README.md
-
curl -L -o README.md https://huggingface.co/Fabitos/lorafood/resolve/main/README.md
1.31 kB
metadata
language: pt
license: apache-2.0
base_model: Qwen/Qwen2.5-7B-Instruct
library_name: peft
tags:
- lora
- delivery
- extracao-de-informacao
- portugues
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.