Serigy
Pesos do classificador local de fake news em PT-BR (sensor Manacá-1B).
| Arquivo | Função |
|---|---|
serigy_jev.safetensors | Checkpoint |
serigy_jev.json | Metadados do release |
Uso: via pacote PyPI serigy — este Hub não inclui código de inferência.
Modelo de distribuição — open weights
Este release é open weights, não open source completo:
| Artefato | Onde | O que libera |
|---|---|---|
Pesos (.safetensors + .json) | este Hub | checkpoint público |
| Inferência (load + predict) | PyPI serigy | pip install → SerigyModel(...).predict(...) |
| Treino / FakeBR / cache | — | fora do wheel PyPI |
Em resumo: o pacote PyPI só carrega pesos (Hub) + sensor (Hub) e faz predict. Treino não vai no pip install.
Quickstart
pip install serigy
from serigy import SerigyModel
model = SerigyModel("wendellperbar/serigy-jev")
out = model.predict(
"Senado aprova lei que PROÍBE jogo de videogame para menores de 18 anos."
)
print(out["predicao"], out["score_final"], out["confianca_calibrada"])
Baixar só os pesos (opcional):
hf download wendellperbar/serigy --local-dir ./serigy-jev-ckpt
# model = SerigyModel("./serigy-jev-ckpt")
Se o Manacá for gated, configure HF_TOKEN.
Entrada
| Campo | Tipo | Obrigatório |
|---|---|---|
texto | str | sim |
fonte | str | None | não |
Saída
{
"predicao": "Claramente Falso",
"classe_ordinal": 0,
"score_final": 0.08,
"confianca_calibrada": 0.91,
"probabilidades": {
"0": 0.92,
"1": 0.06,
"2": 0.02
},
"metricas": {
"tempo_ms": 410.0,
"input_tokens": 48
}
}
| Campo | Significado |
|---|---|
predicao | Claramente Falso / Incerto/Misto / Claramente Verdadeiro |
classe_ordinal | 0, 1 ou 2 |
score_final | veracidade 0.0…1.0 |
confianca_calibrada | perto de 1 = mais concentrado |
probabilidades | massa em cada classe |
Documentação da lib: github.com/wendellbigato/serigy-jev.
Resultados
Sensor deste release: Manacá.
| Cenário | Acerto (classe forte) |
|---|---|
| FakeBR test (n=1440) | 0.980 |
| Lupa 2025 OOD (n=200) | 0.836 |
| ECE Lupa (↓ melhor) | 0.156 |
Generalização FakeBR → Lupa
Lupa 2025 — acerto (classe forte)
Desempenho (acerto · AUC)
Confiabilidade
Matrizes de confusão
Distribuição de classes
Concordância entre sistemas
Latência
Créditos
- Serigy — Wendell Barreto (MIT)
- Paper base — Nandakishor M, arXiv:2510.01237
- Sensor — AI Institute LNCC, Manacá-1B
- Dataset — Fake.br (
fake-news-UFG/fakebr); Monteiro et al., PROPOR 2018; Silva et al., ESWA 2020
@InProceedings{fakebr:18,
author={Monteiro, Rafael A. and Santos, Roney L. S. and Pardo, Thiago A. S.
and de Almeida, Tiago A. and Ruiz, Evandro E. S. and Vale, Oto A.},
title={Contributions to the Study of Fake News in Portuguese:
New Corpus and Automatic Detection Results},
booktitle={Computational Processing of the Portuguese Language},
year={2018},
publisher={Springer International Publishing},
pages={324--334}
}