Характеристики

Контекст: 514 токенов
Параметры: 305 млн
Лицензия: MIT
Архитектура: lilt · dense
Базовая модель: lilt-xlm-roberta-base
Опубликована: 26 мар 2024

Ссылки

LiLT-SER-IT

Разметка токеновТекст → label6 профессий

Дообученная мультиязычная LiLT-модель для классификации токенов и извлечения информации из документов с учётом их структуры.

7скачиваний за 30 дней0лайковвеса обновлены26 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

LiLT-SER-IT — дообученная kavg модель на базе nielsr/lilt-xlm-roberta-base для классификации токенов в документах. Модель использует архитектуру LiLT с XLM-RoBERTa и рассчитана на извлечение структурированной информации с учётом текста и его расположения на странице; обучалась на наборе данных XFUND. Размер модели — 305,2 млн параметров, контекст — 514 токенов.

В README приведены результаты на оценочном наборе: F1 0,758, точность 0,726, полнота 0,793 и accuracy 0,769. Модель распространяется по лицензии MIT. Подробные сведения о целевых метках и ограничениях применения в карточке не раскрыты.

Сценарии применения

извлечение полей из структурированных документов
классификация токенов в формах и документах
анализ связей между текстом и расположением элементов на странице

Ограничения

В README не описаны конкретные ограничения и целевые метки модели. На оценочном наборе F1 составил 0,758, поэтому качество извлечения может зависеть от типа документа и разметки.

Для каких профессий подходит6

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

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

LiLT-SER-IT

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:

Loss: 2.5355
Precision: 0.7262
Recall: 0.7927
F1: 0.7580
Accuracy: 0.7687

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: 5e-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
training_steps: 10000

Training results

Training Loss	Epoch	Step	Validation Loss	Precision	Recall	F1	Accuracy
0.0696	7.46	500	1.0876	0.6322	0.6517	0.6418	0.7584
0.0576	14.93	1000	1.3989	0.6712	0.7601	0.7129	0.7601
0.0096	22.39	1500	1.8059	0.6774	0.7639	0.7181	0.7662
0.0092	29.85	2000	2.0416	0.7266	0.7334	0.7300	0.7652
0.0003	37.31	2500	2.0467	0.7166	0.7539	0.7348	0.7628
0.0013	44.78	3000	2.0159	0.7027	0.7821	0.7403	0.7638
0.0013	52.24	3500	2.2751	0.6961	0.7728	0.7325	0.7575
0.0002	59.7	4000	2.2084	0.7236	0.7563	0.7396	0.7723
0.0002	67.16	4500	2.1843	0.7048	0.7701	0.7360	0.7581
0.0001	74.63	5000	2.2483	0.7366	0.7745	0.7551	0.7770
0.0001	82.09	5500	2.2685	0.7171	0.7752	0.7451	0.7677
0.0005	89.55	6000	2.2877	0.7180	0.7821	0.7487	0.7692
0.0001	97.01	6500	2.2574	0.7308	0.7725	0.7511	0.7721
0.0	104.48	7000	2.4696	0.7255	0.7862	0.7546	0.7660
0.0	111.94	7500	2.3996	0.7140	0.7917	0.7509	0.7725
0.0	119.4	8000	2.4592	0.7261	0.7852	0.7545	0.7665
0.0	126.87	8500	2.4129	0.7336	0.7900	0.7607	0.7718
0.0	134.33	9000	2.5367	0.7316	0.7896	0.7595	0.7666
0.0	141.79	9500	2.5327	0.7278	0.7900	0.7576	0.7663
0.0	149.25	10000	2.5355	0.7262	0.7927	0.7580	0.7687

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 · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: LiltForTokenClassification
Ревизия весов: 8d1ee91