Характеристики

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

Ссылки

Hugging Face

LiLT-SER-ZH

kavg

Разметка токеновТекст → label6 профессий

Дообученная LiLT-модель размечает токены в документах с учётом текста и его расположения на странице.

9скачиваний 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-ZH — модель для классификации токенов в документах, разработанная дообучением nielsr/lilt-xlm-roberta-base на наборе данных XFUND. Архитектура LiLTForTokenClassification сочетает обработку текста с учётом его расположения на странице и основана на XLM-RoBERTa; модель содержит 305,2 млн параметров и поддерживает контекст до 514 токенов.

Модель предназначена для извлечения и разметки информации в документах, в частности для распознавания сущностей с учётом структуры страницы. На оценочной выборке указаны F1 0,8853, точность 0,8408 и полнота 0,9348. Репозиторий содержит веса в формате Safetensors; лицензия — MIT. Поддерживаемый язык явно не указан в карточке.

Сценарии применения

извлечение сущностей из форм и документов
разметка полей в многоязычных документах
анализ структуры страницы при классификации токенов

Ограничения

Карточка не уточняет назначение суффикса ZH, языки и ограничения применения; приведённые метрики относятся только к оценочной выборке XFUND.

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-ZH

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: 1.8792
Precision: 0.8408
Recall: 0.9348
F1: 0.8853
Accuracy: 0.8117

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	Accuracy	F1	Validation Loss	Precision	Recall
0.2166	10.64	500	0.7724	0.8544	1.1239	0.7932	0.9260
0.0238	21.28	1000	0.8201	0.8624	1.0535	0.8572	0.8676
0.0034	31.91	1500	0.8057	0.8599	1.4675	0.8088	0.9178
0.0163	42.55	2000	0.8232	0.8729	1.2837	0.8572	0.8893
0.0037	53.19	2500	0.8114	0.8627	1.5315	0.8142	0.9174
0.0003	63.83	3000	0.8137	0.8652	1.4604	0.8471	0.8840
0.0005	74.47	3500	0.8115	0.8767	1.5980	0.8409	0.9158
0.0005	85.11	4000	0.8129	0.8634	1.5108	0.8261	0.9043
0.0004	95.74	4500	0.8161	0.8817	1.7719	0.8397	0.9282
0.0001	106.38	5000	0.8203	0.8813	1.4313	0.8600	0.9037
0.0001	117.02	5500	0.8181	0.8832	1.5232	0.8509	0.9181
0.0	127.66	6000	0.8069	0.8808	1.6845	0.8532	0.9102
0.0179	138.3	6500	0.8192	0.8793	1.6293	0.8398	0.9227
0.0	148.94	7000	0.8081	0.8815	1.8209	0.8381	0.9296
0.0	159.57	7500	1.8224	0.8443	0.9184	0.8798	0.8070
0.0	170.21	8000	1.7810	0.8450	0.9305	0.8857	0.8127
0.0	180.85	8500	1.7531	0.8454	0.9230	0.8825	0.8088
0.0	191.49	9000	1.8757	0.8394	0.9302	0.8825	0.8070
0.0	202.13	9500	1.8757	0.8417	0.9338	0.8854	0.8123
0.0	212.77	10000	1.8792	0.8408	0.9348	0.8853	0.8117

Framework versions

Transformers 4.35.2
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: 1980eeb