Дообученный на базе BAAI переранжировщик для оценки совместимости посылки и гипотезы и проверки текстовых утверждений.
Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды
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.
Описание составлено по карточке модели и метаданным Hugging Face
clarin-knext/bge-reranker-v2-m3-citeverifier — дообученная модель CLARIN-KNекст на основе BAAI/bge-reranker-v2-m3 для проверки соответствия пары текстов. Она принимает посылку и гипотезу, оценивает их совместимость и позволяет по порогу сходства получить бинарное решение; такой сценарий подходит для проверки, подтверждается ли утверждение заданным текстом. Модель построена на XLM-RoBERTa, содержит около 658,7 млн параметров, работает с текстом и имеет контекст до 8194 токенов. В репозитории указаны веса Safetensors. Лицензия в предоставленных данных не описана.
Порог 0,5 приведён как пример и зависит от числа меток при обучении, поэтому для практического применения его следует калибровать. Предоставленная карточка не сообщает лицензию или результаты оценки качества.
Разделы каталога профессий, в задачах которых используется эта модель
README от автора на Hugging Face, как он его опубликовал
citeverifier model
from sentence_transformers.cross_encoder import CrossEncoder
class CROSSENCODER:
def __init__(self, model_name, sim_threshold=0.5):
self.model = CrossEncoder(model_name)
self.sim_threshold = sim_threshold
def __call__(self, premise: str, hypothesis: str) -> bool:
scores = self.model.predict([[premise, hypothesis]])
return float(scores[0]) > self.sim_threshold # Here depends on num_labels during training
На своей GPU в ailist. Цена — по текущим предложениям провайдеров
GPU в ailist
Универсальный рантайм · text-classification
Подбираем GPU…