ProjetosContato

Projetos

Tenho me dedicado a criar uma série de projetos focados na língua portuguesa, com a missão de expandir e otimizar as opções de recursos para o aprimoramento da minha língua materna.

25K 223

Canarim-7B

Como adaptei o Llama 2 7B ao português com pré-treinamento continuado em 16 bilhões de tokens.

6K 84

Mambarim-110M

Como desenvolvi o Mambarim-110M, meu modelo causal em português baseado em Mamba, e avaliei arquitetura, dados e treinamento.

19

Llama Crab

Como desenvolvi em Rust um runtime local para modelos GGUF com FFI, servidor e integração desktop sobre llama.cpp.

15

GLM 5.2 Pac-Man One-Shot

Como conduzi e preservei um experimento one-shot de geração de um jogo Pac-Man completo com GLM-5.2.

206 4

OnlyFans Content Identify

Como implementei um protótipo experimental ONNX para classificação de imagens com Transformers.js.

41K 5

Canarim Dataset

Como construí um corpus de larga escala com páginas em português do Common Crawl convertidas para Markdown.

106K 3

mTEDx PTBR

Como empacotei fala e transcrições em português do corpus Multilingual TEDx para experimentos de ASR e tradução.

11K 82

Alpaca Data PT-BR

Como traduzi e publiquei os 51.759 registros do Alpaca-Cleaned PT-BR, o que a evolução dos dados revelou e como pretendo validar e melhorar o corpus.

1.7K 83

Whisper Tiny PT

Como ajustei e documentei o Whisper Tiny para reconhecimento de fala em português, incluindo WER, diferenças de protocolo e riscos de alucinação.

313K 100

Legal BERT NER Base Cased PT-BR

Como desenvolvi o Legal BERT NER para reconhecer seis tipos de entidade em português jurídico.

2.1K 1

QuartzNet-15x5 CTC para português

Como ajustei o QuartzNet-15x5 CTC em 26 horas do Common Voice 9.0 para reconhecimento de fala em português.

5

CUM

Como criei um formato de serialização deliberadamente redundante para meus experimentos de contexto longo em LLMs.

359 42

Canarim BERT POS Tagger para Nheengatu

Como desenvolvi o classificador de classes gramaticais em Nheengatu e o que aprendi com o UD Nheengatu-CompLin.

4.9K 56

Canarim-7B-Instruct

Como desenvolvi o Canarim-7B-Instruct, um modelo causal de 6,74 bilhões de parâmetros ajustado para seguir instruções em português.

6.3K 0

Canarim-Instruct-PTBR Dataset

Como construí e harmonizei um dataset com 317.932 pares de instrução e resposta em português, os aprendizados da primeira versão e os próximos passos.

66K 36

Detecção de Idiomas com XLM-RoBERTa Base e LoRA

Como desenvolvi um classificador de 20 idiomas com XLM-RoBERTa Base e um adaptador LoRA, com 99,43% de acurácia publicada no teste balanceado.

1.1K 87

pt_core_news_trf: uma pipeline transformer para português

Como desenvolvi uma pipeline spaCy baseada no BERTimbau para análise linguística em português.

1.3M 95

Legal BERT Base Cased PT-BR

Como adaptei um modelo BERT ao domínio jurídico brasileiro e documentei sua arquitetura, seu corpus, treinamento, uso e resultados.

12K 6

NVIDIA Nemotron Nano 9B v2 GGUF

Como ajudei a implementar o Nemotron v2 no llama.cpp e converti seus pesos para GGUF para execução local.

102 47

Canarim BERT Nheengatu

Como desenvolvi o Canarim BERT Nheengatu e o que aprendi sobre corpus, WordPiece, MLM, validação e governança indígena.

464 104

Canarim-7B-VestibulAide

Como desenvolvi meu experimento educacional com dados de vestibulares, formatos de geração e avaliações em português.

1.8K 138

Alpaca-LoRA PT-BR 7B

Como desenvolvi o ajuste instrucional do LLaMA 7B em português: tradução dos dados, LoRA, treino em 8 bits, inferência, resultados, memória e licenças.

9K 2

BrWaC

Como empacotei o corpus Brazilian Portuguese Web as Corpus no formato datasets para facilitar seu uso no Hugging Face.

959 53

Positive Reframing PT-BR

Como desenvolvi o reenquadramento positivo controlado em português com PTT5, dos dados à avaliação e aos limites de uso.

263K 94

Restaurador de Pontuação

Como desenvolvi um modelo BERTimbau e um pacote Python para restaurar pontuação e capitalização em textos em português brasileiro.