Характеристики

Контекст: 514 токенов
Параметры: 305 млн
Лицензия: MIT
Архитектура: lilt · dense
Базовая модель: lilt-xlm-roberta-base
Опубликована: 22 мар 2024

Ссылки

LiLT-RE-DE

Дообученная модель LiLT для извлечения отношений между сущностями в многоязычных документах с учётом расположения текста на странице.

9скачиваний за 30 дней0лайковвеса обновлены22 мар 2024

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

kavg/LiLT-RE-DE — дообученная на датасете XFUND модель для извлечения отношений между сущностями в документах. Она основана на мультиязычной LiLT и XLM-RoBERTa, использует архитектуру LiLTRobertaLikeForRelationExtraction и учитывает текст и его расположение на странице. Модель содержит 305,2 млн параметров и рассчитана на контекст до 514 токенов.

В оценке на тестовой выборке указаны precision 0,3054, recall 0,6032 и F1 0,4055. Модель подходит для анализа связей между полями в структурированных документах, например в формах. Распространяется по лицензии MIT.

Сценарии применения

извлечение связей между полями в документах
анализ отношений между сущностями в формах
структурирование информации из документов XFUND

Ограничения

На оценочной выборке F1 составил 0,4055, а precision — 0,3054; качество может быть ограниченным. Данные о поддерживаемых языках этой версии не приведены.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель I.4Универсальные способностиОбработка документов и формAI помогает оцифровывать документы, проверять их комплектность и сокращать ручной ввод данных.16 задач7 180моделей II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей I.14Универсальные способностиАвтоматизация процессов и AI-агентыAI помогает выполнять многошаговые цифровые процессы и координировать действия между системами.20 задач26 022модели

Также подходит для

I.11Классификация, ранжирование и сопоставление

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

checkpoints

This model is a fine-tuned version of nielsr/lilt-xlm-roberta-base on the xfun dataset. It achieves the following results on the evaluation set:

Precision: 0.3054
Recall: 0.6032
F1: 0.4055
Loss: 0.2164

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

learning_rate: 1e-05
train_batch_size: 8
eval_batch_size: 2
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
lr_scheduler_warmup_ratio: 0.1
training_steps: 10000

Training results

Training Loss	Epoch	Step	Precision	Recall	F1	Validation Loss
0.1914	20.83	500	0	0	0	0.2039
0.1638	41.67	1000	0.4688	0.0252	0.0478	0.2196
0.0928	62.5	1500	0.3790	0.1669	0.2318	0.2127
0.0948	83.33	2000	0.3125	0.4245	0.3600	0.2987
0.0796	104.17	2500	0.3102	0.5587	0.3989	0.3636
0.0469	125.0	3000	0.3204	0.5134	0.3946	0.3587
0.0471	145.83	3500	0.3303	0.5243	0.4053	0.2792
0.0486	166.67	4000	0.2967	0.5973	0.3964	0.2973
0.0381	187.5	4500	0.3066	0.6007	0.4060	0.3003
0.0392	208.33	5000	0.3054	0.6032	0.4055	0.2164
0.0268	229.17	5500	0.3052	0.6158	0.4081	0.3159
0.029	250.0	6000	0.2850	0.6292	0.3923	0.3108
0.0217	270.83	6500	0.2964	0.6141	0.3998	0.3130
0.0241	291.67	7000	0.3012	0.6216	0.4058	0.3197
0.038	312.5	7500	0.3051	0.6216	0.4093	0.2627
0.0374	333.33	8000	0.2914	0.6359	0.3997	0.3388
0.0194	354.17	8500	0.2975	0.6275	0.4037	0.3155
0.0189	375.0	9000	0.3037	0.625	0.4088	0.2911
0.0147	395.83	9500	0.2993	0.6242	0.4046	0.3417
0.0328	416.67	10000	0.3012	0.6242	0.4063	0.3210

Framework versions

Transformers 4.38.2
Pytorch 2.1.0+cu121
Datasets 2.18.0
Tokenizers 0.15.1

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

У модели не указана задача.

Класс архитектуры: LiLTRobertaLikeForRelationExtraction
Ревизия весов: 123122e