Brasão TJGO

MODELOS GENERATIVOS

ESTATÍSTICAS DE MODELOS GENERATIVOS

Ana Fala com Você, Ana Chatbot, Visual Law e Agaia

Relatório de Consumo GCP Atualizado em Agosto de 2025, próxima atualização 30 de Setembro 2025

Modelos Generativos — Portfólio e Métricas

Atualizado em Julho de 2025 • Próxima atualização em 31 de agosto de 2025

1. Modelo de Classificação de Sentenças

Modelo

BERNA_BERT_FATO_TESE

Base: google-bert/bert-base-multilingual-cased

Objetivo

Classificar sentenças extraídas de processos judiciais em: FATO, TESE e RUÍDO.

FATO: acontecimentos/elementos objetivos do caso
TESE: argumentos jurídicos/fundamentos legais
RUÍDO: trechos genéricos/irrelevantes

Métricas de Avaliação

98,31%

Acurácia (eval_accuracy=0.9831)

0.1199

Perda (eval_loss)

2. Modelos de Sentence Transformers

Modelo

stjiris_tjgo_diacde_sts

Base: stj_iris

Objetivo: Similaridade de sentenças

Métrica	Pearson	Spearman
Dot	0.613 / 0.615	0.607 / 0.610
Euclidean	0.708 / 0.710	0.721 / 0.722
Manhattan	0.707 / 0.709	0.720 / 0.721
Cosine	0.724 / 0.725	0.725 / 0.721

Modelo

bertimbaularge_tjgo_diacde_sts

Base: bertimbau-large

Objetivo: Similaridade de sentenças

Métrica	Pearson	Spearman
Dot	0.188 / 0.188	0.173 / 0.173
Euclidean	0.690 / 0.690	0.692 / 0.692
Manhattan	0.689 / 0.689	0.692 / 0.692
Cosine	0.670 / 0.670	0.693 / 0.693

3. Modelos LLM’s

Modelo

LLaMA 8B Instruct

Fine-tuning: LoRA

Métrica: ROUGE

Métrica	Resultado
ROUGE-1	0.2335
ROUGE-2	0.0823
ROUGE-L	0.1373
ROUGE-Lsum	0.1388

Resultados reportados com LoRA aplicado ao LLaMA 8B Instruct.

@TJGO-SET 2017