Характеристики

Контекст: 514 токенов
Параметры: 305 млн
Лицензия: MIT
Архитектура: lilt · dense
Базовая модель: lilt-xlm-roberta-base
Опубликована: 5 фев 2024

Ссылки

LiLT-RE-ZH

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

9скачиваний за 30 дней0лайковвеса обновлены5 фев 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-ZH — модель извлечения отношений между сущностями в документах, созданная дообучением nielsr/lilt-xlm-roberta-base на наборе данных XFUND. Она использует архитектуру LiLT с компонентом, похожим на RoBERTa, чтобы учитывать текст и его расположение на странице; число параметров — 305,2 млн, контекст — до 514 токенов. Модель предназначена для структурированного анализа документов, в частности для выявления связей между упомянутыми в них сущностями.

На оценочной выборке XFUND модель показала precision 0,3911, recall 0,6703 и F1 0,4940. Эти результаты указывают на ограничения точности извлечения отношений; качество на других наборах данных и типах документов не установлено. Модель распространяется по лицензии MIT.

Сценарии применения

извлечение связей между сущностями в документах
структурирование информации из форм и документов
анализ связей между полями на странице документа

Ограничения

На оценочной выборке XFUND F1 составил 0,4940, а precision — 0,3911; качество может быть ограниченным. Данные о результатах на других наборах данных не приведены.

Для каких профессий подходит4

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 II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей I.4Универсальные способностиОбработка документов и формAI помогает оцифровывать документы, проверять их комплектность и сокращать ручной ввод данных.16 задач7 180моделей I.14Универсальные способностиАвтоматизация процессов и AI-агентыAI помогает выполнять многошаговые цифровые процессы и координировать действия между системами.20 задач26 022модели

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: 0.3911
Recall: 0.6703
F1: 0.4940
Loss: 0.1352

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: 6
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	F1	Validation Loss	Precision	Recall
0.1469	20.83	500	0	0.1467	0	0
0.0896	41.67	1000	0.0837	0.1454	0.2946	0.0487
0.1027	62.5	1500	0.1225	0.1353	0.3333	0.0750
0.0485	83.33	2000	0.3536	0.1571	0.3364	0.3727
0.0597	104.17	2500	0.4448	0.1546	0.3535	0.5997
0.0367	125.0	3000	0.4940	0.1352	0.3911	0.6703
0.033	145.83	3500	0.4977	0.1749	0.3902	0.6870
0.0176	166.67	4000	0.5087	0.2262	0.4034	0.6883
0.0123	187.5	4500	0.5050	0.2358	0.3978	0.6915
0.0194	208.33	5000	0.5173	0.2976	0.4090	0.7037
0.0118	171.88	5500	0.4159	0.6863	0.5179	0.2836
0.0054	187.5	6000	0.4356	0.6703	0.5280	0.3100
0.01	203.12	6500	0.4229	0.6979	0.5266	0.3430
0.0062	218.75	7000	0.4272	0.7062	0.5324	0.3652
0.0051	234.38	7500	0.4306	0.6947	0.5317	0.3496
0.0048	250.0	8000	0.4400	0.6940	0.5386	0.3943
0.0087	265.62	8500	0.4290	0.6992	0.5317	0.3782
0.0077	281.25	9000	0.4394	0.7049	0.5414	0.3855
0.0014	296.88	9500	0.4363	0.7004	0.5377	0.3933
0.0035	312.5	10000	0.4350	0.6992	0.5363	0.4045

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: a3a6a03