ParaaAi/IZZACK

📚 IZZACK v1.0 — Dataset Jurídico para Fine‑tuning de LLMs em Português (OpenThoughts3)

---

🌟 Sobre o Dataset

IZZACK é um conjunto de dados de alta qualidade para treinamento de modelos de linguagem (LLMs) no domínio jurídico brasileiro. Foi gerado a partir de 1,6 milhão de decisões judiciais destiladas pelo motor BEEROOT e organizado seguindo o protocolo OpenThoughts3, que estrutura o raciocínio jurídico em camadas: contexto, institutos, teses, silogismo, fundamentos e conclusão.

O dataset é composto por 48.313 exemplos (após filtragem de qualidade) e cada exemplo representa um caso real ou simulado, com análise detalhada de um recurso (reclamação, habeas corpus, apelação etc.) perante o STF ou Tribunais Superiores.

Principais características:

• Domínios abrangentes: Direito Administrativo, Constitucional, Processual Civil, Processual Penal, Previdenciário, entre outros.
• Raciocínio silogístico explícito (premissa maior, premissa menor, conclusão).
• Identificação de pontos fortes e fracos, com atribuição de probabilidades (qualitativas).
• Sinalização de lacunas e argumentos não enfrentados pelo relator.
• Citações legais e jurisprudenciais precisas.

---

📊 Estatísticas Rápidas

Métrica	Valor
Total de exemplos	48.313
Tamanho (JSONL)	~700 MB
Comprimento médio (tokens)	~1.200
Idiomas	Português brasileiro (pt-BR)
Domínios	Direito (STF, TRFs, TJs)
Dificuldade média (0–100)	64
Fonte predominante	Reclamações Constitucionais (Rcl)

---

🧩 Estrutura dos Dados

Cada exemplo é um objeto JSON com os seguintes campos:

Campo	Tipo	Descrição
difficulty	int	Nível de complexidade do caso (0–100)
source	str	Identificador do processo (ex: Rcl 93343)
domain	str	Ramo do Direito (ex: direito administrativo)
conversations	list[dict]	Diálogo entre user e assistant no formato ChatML

Cada conversation possui:

• role: "user" ou "assistant"
• content: texto completo do caso (user) ou da análise (assistant)

Exemplo de conversations:

[
  {
    "role": "user",
    "content": "Caso de Direito Administrativo, perante SUPREMO TRIBUNAL FEDERAL (STF), relatado por CRISTIANO ZANIN.\nInstitutos centrais: Reclamação Constitucional, Adi Vinculante...\nCom base nesses elementos, como um jurista experiente analisaria o recurso, ponderando os argumentos contrários e as possíveis lacunas, até chegar a uma conclusão fundamentada?"
  },
  {
    "role": "assistant",
    "content": "<think>\nTrata‑se de Reclamacao, onde se questiona a decisão anterior...\n</think>\n\nNo Supremo Tribunal Federal (Stf), o Ministro Cristiano Zanin analisou o pedido de ..."
  }
]

A resposta do assistente contém uma seção com o raciocínio interno detalhado e, em seguida, a síntese final com a decisão fundamentada.

---

🛠️ Como Usar

Carregar com Hugging Face datasets

from datasets import load_dataset

dataset = load_dataset("ParaaAi/IZZACK", split="train")
print(len(dataset))  # 48313

Acessar um exemplo

exemplo = dataset[0]
print(exemplo["difficulty"])          # 57
print(exemplo["source"])              # Rcl 93343
print(exemplo["domain"])              # direito administrativo
print(exemplo["conversations"][0]["content"])  # mensagem do usuário

Filtrar por domínio ou dificuldade

adm = dataset.filter(lambda x: x["domain"] == "direito administrativo")
dificil = dataset.filter(lambda x: x["difficulty"] > 80)

---

📌 Exemplo de Fine‑tuning com QLoRA e SFTTrainer

from transformers import AutoTokenizer
from trl import SFTTrainer

tokenizer = AutoTokenizer.from_pretrained("CEIA-UFG/Gemma-3-Gaia-PT-BR-4b-it")

def format_chat(example):
    # Aplica o template ChatML (ou outro) para treinamento
    return {"text": tokenizer.apply_chat_template(example["conversations"], tokenize=False)}

dataset = dataset.map(format_chat)

trainer = SFTTrainer(
    model=model,
    train_dataset=dataset,
    tokenizer=tokenizer,
    max_seq_length=2048,
    ...
)

---

🧠 Metodologia

O dataset foi gerado a partir do esquema BEEROOT (Batch Extraction Engine for Reasoning over Ordered Output Tasks), que fragmenta a extração em etapas para evitar sobrecarga de atenção e perda de cobertura semântica. O protocolo OpenThoughts3 organiza a destilação do conhecimento jurídico em três camadas:

1. Contexto e Institutos – identificação dos elementos processuais e materiais.
2. Raciocínio Silogístico – construção de premissas e conclusão.
3. Análise Crítica – ponderação de argumentos contrários, lacunas e decisão final.

Cada exemplo é produzido por um pipeline que valida a coerência interna, a correção legal e a relevância dos fundamentos, resultando em um dataset limpo, balanceado e fiel à realidade do Judiciário brasileiro.

---

📈 Performance Esperada no Treinamento

Com 48 mil exemplos e cerca de 58 milhões de tokens, um modelo de 4B parâmetros (como GAIA) pode ser ajustado em aproximadamente 1 hora em uma A100 (QLoRA) ou 2 horas em V100. O dataset é adequado tanto para fine‑tuning mono‑tarefa quanto para treinamento multitarefa, dependendo da estratégia de prompt.

---

📄 Citação

Se você usar este dataset em sua pesquisa, por favor, cite:

@misc{izzack2026,
  title     = {IZZACK: A Legal Reasoning Dataset for Portuguese LLMs},
  author    = {Rodrigues dos Santos, Carlos},
  year      = {2026},
  publisher = {Hugging Face},
  url       = {https://huggingface.co/datasets/ParaaAi/IZZACK}
}

---

⚖️ Licença

Este dataset está disponível sob a Licença Gemma (mesma do modelo base). Consulte os termos em https://ai.google.dev/gemma/terms.

---

🙏 Agradecimentos

· BEEROOT – motor de extração e orquestração. · OpenThoughts3 – protocolo de destilação para raciocínio jurídico. · CEIA‑UFG – pelo modelo GAIA, base para fine‑tuning. · Hugging Face – pela hospedagem e ferramentas.

---

Vamos juntos construir a próxima geração de IA jurídica em português! 🧑‍⚖️🤖