MODELOS GENERATIVOS

Voltar

ESTATÍSTICAS DE MODELOS GENERATIVOS

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

Painel nativo de Consumo GCP

Contrato Mês Modelo

Valor Total

R$ 0

Consumo Tokens

Modelos Ativos

Meses Utilizados

Custo por 1M

R$ 0

Evolução do Consumo de Tokens

Evolução do Consumo Faturado

Consumo por Modelo

Modelo	Tokens	Valor Total	Custo por 1M

Estatísticas de JurisAgaia e RegisAgaia

Visão unificada em JavaScript com filtros e análise comparativa em uma única tela.

Estatística Agaia

Painel oficial de transparência da Agaia.

Estatística JurisAgaia e RegisAgaia

Exploração detalhada por fonte, origem e resultado com filtros e tabela analítica.

Fonte Origem Resultado Buscar

Acurácia Geral

Total de Registros

Fontes

Origens

Distribuição por Origem (Top 10)

Distribuição por Resultado

Performance por Fonte

Registros de Teste

Fonte	Origem	Pergunta	Resposta	Resultado

Ana LLM - Dashboard Nativo

Relatório Interativo de Análise de Dados

Data inicial Data final Consulta de palavra

Total de Palavras Consultadas

Total de Termos Únicos

Período disponível

Palavras Consultadas

Palavra Complexa x Substituta

Palavra Complexa	Palavra Substituta	% de Pesquisa

Consultas de Palavras por Mês

Rank de Palavras Consultadas

Rank	Palavra	% de Consulta

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

ESTATÍSTICAS DE MODELOS GENERATIVOS

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

Evolução do Consumo de Tokens

Evolução do Consumo Faturado

Consumo por Modelo

Estatísticas de JurisAgaia e RegisAgaia

Estatística Agaia

Estatística JurisAgaia e RegisAgaia

Distribuição por Origem (Top 10)

Distribuição por Resultado

Performance por Fonte

Registros de Teste

Ana LLM - Dashboard Nativo

Palavras Consultadas

Palavra Complexa x Substituta

Consultas de Palavras por Mês

Rank de Palavras Consultadas

Estatísticas do Visual Law

Distribuição por Categoria

Processos por Mês

Total de Processos por Tipo e Mês

Tokens por Tipo e Mês

Modelos Generativos — Portfólio e Métricas

1. Modelo de Classificação de Sentenças

2. Modelos de Sentence Transformers

3. Modelos LLM’s