Характеристики

Контекст: 514 токенов
Параметры: 305 млн
Лицензия: MIT
Архитектура: lilt · dense
Базовая модель: lilt-xlm-roberta-base
Опубликована: 23 мар 2024

Ссылки

LiLT-RE-PT

Языковая модель

Дообученная LiLT-модель извлекает отношения между сущностями в документах, учитывая текст и его расположение на странице.

5скачиваний за 30 дней0лайковвеса обновлены23 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-PT — дообученная модель на базе nielsr/lilt-xlm-roberta-base, разработанная для извлечения отношений между сущностями в документах. Она использует архитектуру LiLT с компонентом, подобным XLM-RoBERTa, и рассчитана на обработку текста с учётом его расположения на странице. Модель дообучена на датасете xfun; число параметров — около 305,2 млн, контекст — 514 токенов.

В оценке на тестовой выборке указаны precision 0,2199, recall 0,5308 и F1 0,3109. Эти показатели свидетельствуют о заметном числе ложных срабатываний и пропусков, поэтому результаты извлечения отношений могут требовать проверки. Модель опубликована под лицензией MIT.

Сценарии применения

извлечение связей между сущностями в документах
анализ отношений между полями в формах
структурирование информации из документов с сохранением расположения текста

Ограничения

На оценочной выборке F1 составляет 0,3109, precision — 0,2199, что указывает на ограниченную точность и необходимость проверять предсказания. Контекст ограничен 514 токенами.

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: 0.2199
Recall: 0.5308
F1: 0.3109
Loss: 0.1355

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
0.1811	16.67	500	0	0	0	0.2498
0.1861	33.33	1000	0.4207	0.0457	0.0825	0.2486
0.0373	50.0	1500	0.4845	0.0517	0.0934	0.2116
0.0856	66.67	2000	0.3184	0.1504	0.2043	0.1696
0.0867	83.33	2500	0.2201	0.3472	0.2694	0.1691
0.0832	100.0	3000	0.2369	0.3685	0.2884	0.1687
0.0756	116.67	3500	0.2152	0.4301	0.2869	0.1561
0.0454	133.33	4000	0.2075	0.4818	0.2900	0.1513
0.0629	150.0	4500	0.2202	0.5282	0.3108	0.1748
0.0503	166.67	5000	0.2058	0.5573	0.3006	0.1832
0.05	183.33	5500	0.2263	0.5381	0.3186	0.1863
0.0365	200.0	6000	0.2233	0.5712	0.3211	0.1524
0.0366	216.67	6500	0.2219	0.5699	0.3195	0.1254
0.0352	233.33	7000	0.2199	0.5308	0.3109	0.1355
0.0524	250.0	7500	0.2184	0.5500	0.3126	0.1456
0.0375	266.67	8000	0.2158	0.5401	0.3084	0.1549
0.0324	283.33	8500	0.2068	0.5507	0.3007	0.1840
0.0168	300.0	9000	0.2155	0.5520	0.3100	0.1686
0.0306	316.67	9500	0.2160	0.5666	0.3128	0.1558
0.0229	333.33	10000	0.2152	0.5712	0.3126	0.1633

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: 0fb289e