Характеристики

Контекст: 512 токенов
Параметры: 14,1 млн
Лицензия: MIT
Архитектура: bert · dense
Базовая модель: xtremedistil-l6-h256-uncased
Библиотека: transformers
Опубликована: 10 янв 2024

Ссылки

xtremedistil-l6-h256-zeroshot-v1.1-all-33

Классификация текстаТекст → label10 профессий

Компактная BERT-модель Moritz Laurer для быстрой классификации текста по пользовательским меткам без специального обучения под каждый набор классов.

12 158скачиваний за 30 дней11лайковвеса обновлены16 янв 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Moritz Laurer разработал эту компактную модель для классификации текста без заранее заданного набора классов: пользователь передаёт текст и варианты меток, а модель оценивает их соответствие. Это дообученная на задачах естественного языкового вывода (NLI) модель на базе Microsoft XTREME-Distil, с архитектурой BERT и 14,1 млн параметров по метаданным. Модель принимает текст и выдаёт оценки классов; максимальная длина контекста — 512 токенов.

Модель рассчитана на быстрый запуск на устройствах с ограниченными ресурсами и в браузере, в том числе через Transformers.js. Карточка приводит точность на наборах данных, использованных при обучении, но не содержит отдельной оценки zero-shot качества; автор отмечает, что модель работает менее точно, чем более крупные варианты. Лицензия — MIT.

Сценарии применения

распределение обращений по заданным категориям
классификация отзывов по темам или тональности
проверка текстов на токсичность или спам
присвоение новостям тематических меток
запуск классификации текста в браузере или на edge-устройстве

Ограничения

Автор не проводил отдельную оценку качества zero-shot-классификации; модель уступает по качеству более крупным вариантам. Контекст ограничен 512 токенами.

Для каких профессий подходит10

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей III.4Корпоративные функцииКлиентская поддержка и customer successAI помогает быстрее решать обращения и предупреждать проблемы клиентов.20 задач9 831модель III.2Корпоративные функцииИсследование рынка и маркетингAI помогает понимать рынок, создавать коммуникации и улучшать эффективность маркетинга.22 задачи8 594модели II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

xtremedistil-l6-h256-zeroshot-v1.1-all-33

This model was fine-tuned using the same pipeline as described in the model card for MoritzLaurer/deberta-v3-large-zeroshot-v1.1-all-33 and in this paper.

The foundation model is microsoft/xtremedistil-l6-h256-uncased. The model only has 22 million backbone parameters and 30 million vocabulary parameters. The backbone parameters are the main parameters active during inference, providing a significant speedup over larger models. The model is 25 MB small.

This model was trained to provide a very small and highly efficient zeroshot option, especially for edge devices or in-browser use-cases with transformers.js.

Usage and other details

For usage instructions and other details refer to this model card MoritzLaurer/deberta-v3-large-zeroshot-v1.1-all-33 and this paper.

Metrics:

I didn't not do zeroshot evaluation for this model to save time and compute. The table below shows standard accuracy for all datasets the model was trained on (note that the NLI datasets are binary).

General takeaway: the model is much more efficient than its larger sisters, but it performs less well.

Datasets	mnli_m	mnli_mm	fevernli	anli_r1	anli_r2	anli_r3	wanli	lingnli	wellformedquery	rottentomatoes	amazonpolarity	imdb	yelpreviews	hatexplain	massive	banking77	emotiondair	emocontext	empathetic	agnews	yahootopics	biasframes_sex	biasframes_offensive	biasframes_intent	financialphrasebank	appreviews	hateoffensive	trueteacher	spam	wikitoxic_toxicaggregated	wikitoxic_obscene	wikitoxic_identityhate	wikitoxic_threat	wikitoxic_insult	manifesto	capsotu
Accuracy	0.894	0.895	0.854	0.629	0.582	0.618	0.772	0.826	0.684	0.794	0.91	0.879	0.935	0.676	0.651	0.521	0.654	0.707	0.369	0.858	0.649	0.876	0.836	0.839	0.849	0.892	0.894	0.525	0.976	0.88	0.901	0.874	0.903	0.886	0.433	0.619
Inference text/sec (A10G GPU, batch=128)	4117.0	4093.0	1935.0	2984.0	3094.0	2683.0	5788.0	4926.0	9701.0	6359.0	1843.0	692.0	756.0	5561.0	10172.0	9070.0	7511.0	7480.0	2256.0	3942.0	1020.0	4362.0	4034.0	4185.0	5449.0	2606.0	6343.0	931.0	5550.0	864.0	839.0	837.0	832.0	857.0	4418.0	4845.0

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: BertForSequenceClassification
Ревизия весов: c07f66d