Характеристики

Контекст: 514 токенов
Параметры: 305 млн
Лицензия: MIT
Архитектура: lilt · dense
Базовая модель: lilt-xlm-roberta-base
Опубликована: 30 янв 2024

Ссылки

LiLT-RE-EN

Дообученная LiLT-модель для извлечения отношений между текстовыми элементами документов с учётом их расположения на странице.

9скачиваний за 30 дней0лайковвеса обновлены30 янв 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-EN — дообученная модель LiLT на базе nielsr/lilt-xlm-roberta-base, разработанная для извлечения отношений между элементами документов. Она учитывает текст и его расположение на странице и обучена на наборе funsd_re. Репозиторий содержит веса в формате safetensors; модель насчитывает 305,2 млн параметров и имеет контекст длиной 514 токенов.

Модель подходит для анализа структурированных документов, где важно определить связи между распознанными текстовыми фрагментами и их позициями. В README приведены результаты оценки на тестовой выборке: precision 0,3264, recall 0,4864, F1 0,3907 и loss 0,4377. Эти показатели указывают на ограниченную точность извлечения отношений. Лицензия — MIT.

Сценарии применения

извлечение связей между полями и значениями в документах
анализ структуры форм и заполненных бланков
поиск отношений между текстовыми фрагментами на странице

Ограничения

На оценочной выборке модель показала F1 0,3907, precision 0,3264 и recall 0,4864, поэтому качество извлечения отношений может быть ограниченным. Данные не подтверждают языковой охват модели.

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 funsd_re dataset. It achieves the following results on the evaluation set:

Precision: 0.3264
Recall: 0.4864
F1: 0.3907
Loss: 0.4377

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: 5000

Training results

Training Loss	Epoch	Step	F1	Validation Loss	Precision	Recall
0.1604	26.32	500	0	0.1513	0	0
0.1012	52.63	1000	0.0098	0.0786	0.5	0.0049
0.0994	78.95	1500	0.2518	0.1847	0.3729	0.1901
0.0694	105.26	2000	0.3499	0.1926	0.3667	0.3346
0.0771	131.58	2500	0.3856	0.3295	0.3450	0.4370
0.0565	157.89	3000	0.3865	0.4137	0.3293	0.4679
0.0411	184.21	3500	0.3808	0.3624	0.3252	0.4593
0.0463	210.53	4000	0.3832	0.5089	0.3221	0.4728
0.0414	236.84	4500	0.3911	0.6137	0.3305	0.4790
0.036	263.16	5000	0.3910	0.4428	0.3275	0.4852

Framework versions

Transformers 4.35.2
Pytorch 2.1.0+cu121
Datasets 2.16.1
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: e9958dd