/ Модель

Характеристики

Контекст
8 192 токена
Параметры
137 млн
Архитектура
new · dense
Базовая модель
gte-base-en-v1.5
Библиотека
transformers
Опубликована
10 фев 2025

FormatClassifier

Заполнение пропусковТекст → текст5 профессий

Классификатор WebOrganizer определяет одну из 24 категорий веб-страницы по её URL и тексту.

342скачиваний за 30 дней9лайковвеса обновлены19 фев 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

WebOrganizer/FormatClassifier — англоязычный классификатор веб-страниц, разработанный WebOrganizer. Он относит содержимое к одной из 24 категорий, используя URL страницы и её текст; вход подаётся в формате, где сначала указан URL. Модель основана на энкодере Alibaba-NLP/gte-base-en-v1.5 и дообучена для классификации последовательностей. В карточке указаны 136,7 млн параметров, контекст до 8192 токенов и формат весов safetensors.

Модель подходит для автоматической сортировки веб-страниц и организации больших коллекций онлайн-контента по типу материала. Обучение проводилось в два этапа на аннотациях Llama: сначала на наборе из 1 млн документов, затем на 100 тыс. документов. README рекомендует для эффективного инференса реализацию gte-base-en-v1.5 с unpadding и memory efficient attention, требующую xformers. Лицензия в предоставленных данных не указана.

Сценарии применения

  • классификация веб-страниц по типу содержимого
  • сортировка страниц по URL и тексту
  • автоматическая организация коллекции веб-контента
  • разметка типов документов в веб-архиве

Ограничения

Модель предназначена для выбора категорий веб-контента и может не подходить для задач вне этой схемы из 24 классов. README не приводит метрики качества и не сообщает лицензию.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

WebOrganizer/FormatClassifier

[Paper] [Website] [GitHub]

The FormatClassifier organizes web content into 24 categories based on the URL and text contents of web pages. The model is a gte-base-en-v1.5 with 140M parameters fine-tuned on the following training data:

  1. WebOrganizer/FormatAnnotations-Llama-3.1-8B: 1M documents annotated by Llama-3.1-8B (first-stage training)
  2. WebOrganizer/FormatAnnotations-Llama-3.1-405B-FP8: 100K documents annotated by Llama-3.1-405B-FP8 (second-stage training)

All Domain Classifiers

Usage

This classifier expects input in the following input format:

{url}

{text}

Example:

from transformers import AutoTokenizer, AutoModelForSequenceClassification

tokenizer = AutoTokenizer.from_pretrained("WebOrganizer/FormatClassifier")
model = AutoModelForSequenceClassification.from_pretrained(
    "WebOrganizer/FormatClassifier",
    trust_remote_code=True,
    use_memory_efficient_attention=False)

web_page = """http://www.example.com

How to make a good sandwich? [Click here to read article]"""

inputs = tokenizer([web_page], return_tensors="pt")
outputs = model(**inputs)

probs = outputs.logits.softmax(dim=-1)
print(probs.argmax(dim=-1))
# -> 6 ("Truncated" format, which covers incomplete content)

You can convert the logits of the model with a softmax to obtain a probability distribution over the following 24 categories (in order of labels, also see id2label and label2id in the model config):

  1. Academic Writing
  2. Content Listing
  3. Creative Writing
  4. Customer Support
  5. Comment Section
  6. FAQ
  7. Truncated
  8. Knowledge Article
  9. Legal Notices
  10. Listicle
  11. News Article
  12. Nonfiction Writing
  13. About (Org.)
  14. News (Org.)
  15. About (Pers.)
  16. Personal Blog
  17. Product Page
  18. Q&A Forum
  19. Spam / Ads
  20. Structured Data
  21. Documentation
  22. Audio Transcript
  23. Tutorial
  24. User Review

The full definitions of the categories can be found in the taxonomy config.

Efficient Inference

We recommend that you use the efficient gte-base-en-v1.5 implementation by enabling unpadding and memory efficient attention. This requires installing xformers (see more here) and loading the model like:

AutoModelForSequenceClassification.from_pretrained(
    "WebOrganizer/FormatClassifier",
    trust_remote_code=True,
    unpad_inputs=True,
    use_memory_efficient_attention=True,
    torch_dtype=torch.bfloat16
)

Citation

@article{wettig2025organize,
  title={Organize the Web: Constructing Domains Enhances Pre-Training Data Curation},
  author={Alexander Wettig and Kyle Lo and Sewon Min and Hannaneh Hajishirzi and Danqi Chen and Luca Soldaini},
  journal={arXiv preprint arXiv:2502.10341},
  year={2025}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · fill-mask

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
NewForSequenceClassification
Ревизия весов
67e7104

0 моделей