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}
}

wendellperbar/serigy-jev