Update README.md

README.md

@@ -68,11 +68,11 @@ Este modelo está basado en XLM-RoBERTa y ha sido fine-tuned para realizar anál
 
 Este modelo puede ser utilizado para clasificar el sentimiento de textos en español en tres categorías: negativo, neutro y positivo.
 
-⁠ ```python
+```python
 from transformers import AutoModelForSequenceClassification, AutoTokenizer
 import torch
 
-model_name = "nmarinnn/bert-bregman"
+model_name = "nmarinnn/bert-bullrich"
 model = AutoModelForSequenceClassification.from_pretrained(model_name)
 tokenizer = AutoTokenizer.from_pretrained(model_name)
 
@@ -88,15 +88,12 @@ def predict(text):
     return class_labels[predicted_class]
 
 # Ejemplo de uso
-texto = "Vamos rusa!"
+texto = "Vamos pato!"
 sentimiento = predict(texto)
 print(f"El sentimiento del texto es: {sentimiento}")
 ```
- ⁠
 
-## Limitaciones
-
-•⁠  ⁠El modelo muestra un rendimiento bajo en la clase "neutro", posiblemente debido a un desbalance en el dataset de entrenamiento.
+- muestra un rendimiento bajo en la clase "neutro", posiblemente debido a un desbalance en el dataset de entrenamiento.
 •⁠  ⁠Se recomienda precaución al interpretar resultados para textos muy cortos o ambiguos.
 
 ## Información de Entrenamiento