Характеристики

Контекст: 514 токенов
Параметры: 305 млн
Лицензия: MIT
Архитектура: lilt · dense
Базовая модель: lilt-xlm-roberta-base
Опубликована: 27 мар 2024

Ссылки

LiLT-SER-JA

Разметка токеновТекст → label6 профессий

Дообученная мультиязычная LiLT-модель для классификации токенов и извлечения информации из документов с учётом расположения текста на странице.

10скачиваний за 30 дней0лайковвеса обновлены27 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-JA — дообученная модель на основе nielsr/lilt-xlm-roberta-base, созданная для классификации токенов в документах. Она использует архитектуру LiLT с XLM-RoBERTa и предназначена для извлечения структурированной информации из документов с учётом текста и его расположения на странице. Модель обучена на датасете XFUND; карточка приводит на оценочной выборке F1 0,7928, precision 0,7244 и recall 0,8755.

Доступна в формате Safetensors, имеет 305,2 млн параметров и контекст до 514 токенов. Лицензия — MIT. README не раскрывает подробности разметки и целевых типов сущностей.

Сценарии применения

извлечение сущностей из документов с разметкой токенов
классификация полей в формах и счетах
структурированный разбор многоязычных документов
анализ расположения текста на странице при обработке документов

Ограничения

На оценочной выборке указаны F1 0,7928, precision 0,7244 и recall 0,8755; качество может зависеть от языка и типа документа. README не описывает целевые классы и подробности обучения.

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 I.14Универсальные способностиАвтоматизация процессов и AI-агентыAI помогает выполнять многошаговые цифровые процессы и координировать действия между системами.20 задач26 022модели II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

LiLT-SER-JA

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: 2.3482
Precision: 0.7244
Recall: 0.8755
F1: 0.7928
Accuracy: 0.7835

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
0.0726	10.2	500	1.0347	0.6824	0.8359	0.7514	0.7829
0.0015	20.41	1000	1.6415	0.6828	0.8808	0.7692	0.7700
0.0062	30.61	1500	1.7000	0.7063	0.8427	0.7685	0.7828
0.0145	40.82	2000	1.9098	0.6979	0.8885	0.7817	0.7729
0.0014	51.02	2500	1.6868	0.7117	0.8509	0.7751	0.7859
0.0009	61.22	3000	1.8930	0.7087	0.8441	0.7705	0.7782
0.0001	71.43	3500	2.0325	0.7217	0.8736	0.7904	0.7845
0.0006	81.63	4000	1.8854	0.7032	0.8769	0.7805	0.7904
0.0001	91.84	4500	2.2205	0.6977	0.8721	0.7752	0.7577
0.0002	102.04	5000	2.1731	0.7090	0.8702	0.7814	0.7786
0.0	112.24	5500	2.3198	0.7150	0.8707	0.7852	0.7681
0.0003	122.45	6000	1.9680	0.7188	0.8649	0.7851	0.7896
0.0	132.65	6500	2.2202	0.7316	0.8523	0.7873	0.7815
0.0	142.86	7000	2.2800	0.7013	0.8818	0.7813	0.7727
0.0	153.06	7500	2.2149	0.7202	0.8784	0.7915	0.7790
0.0	163.27	8000	2.2384	0.7264	0.8663	0.7902	0.7834
0.0001	173.47	8500	2.2177	0.7269	0.8682	0.7913	0.7842
0.0	183.67	9000	2.2768	0.7333	0.8731	0.7971	0.7872
0.0	193.88	9500	2.2996	0.7344	0.8716	0.7972	0.7878
0.0	204.08	10000	2.3482	0.7244	0.8755	0.7928	0.7835

Framework versions

Transformers 4.39.1
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: b125730