/ Модель

Характеристики

Параметры
291 млн
Лицензия
Apache 2.0
Архитектура
T5 · dense
Опубликована
26 янв 2024

comprehend_it-multilingual-t5-base

Классификация без дообученияТекст → label6 профессий

Мультиязычная модель Knowledgator на базе mT5-base для классификации текстов по заданным категориям без обучения на примерах этих категорий.

110скачиваний за 30 дней29лайковвеса обновлены27 янв 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

Comprehend-it-multilang-base — мультиязычная модель компании Knowledgator для классификации текста без примеров, на основе mT5-base. Это encoder-decoder-модель семейства T5 с 291,2 млн параметров, обученная на многоязычных наборах для вывода по естественному языку и классификации текстов. Она сопоставляет текст с заданными пользователем названиями классов и выдаёт оценки принадлежности к ним.

Модель подходит для тематической разметки, маршрутизации обращений и анализа текстов, когда заранее неизвестны или часто меняются категории. Текст и метки можно задавать на разных языках; автор заявляет поддержку почти 100 языков. Для работы используется библиотека LiqFit, поскольку стандартный pipeline Transformers для zero-shot-классификации не поддерживает эту архитектуру.

В карточке приведены результаты сравнительных тестов в режиме zero-shot на нескольких наборах классификации, однако они не гарантируют такое же качество на произвольных данных. Модель выпущена под лицензией Apache-2.0.

Сценарии применения

  • распределение обращений по заданным темам
  • классификация новостей по пользовательским категориям
  • разметка отзывов по типам эмоций или тональности
  • классификация текста, когда названия меток и текст написаны на разных языках

Ограничения

Для запуска требуется LiqFit и токенизатор SentencePiece; стандартный pipeline Transformers для zero-shot-классификации не подходит. Заявленная поддержка почти 100 языков и результаты тестов на отдельных датасетах не гарантируют одинакового качества на всех языках и типах текстов.

Для каких профессий подходит6

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

comprehend-it-multilang-base

This is an encoder-decoder model based on mT5-base that was trained on multi-language natural language inference datasets as well as on multiple text classification datasets.

The model demonstrates a better contextual understanding of text and verbalized label because both inputs are encoded by different parts of a model - encoder and decoder respectively.

The zero-shot classifier supports nearly 100 languages and can work in both directions, meaning that labels and text can belong to different languages.

Install the neccessary libraries before using it

Because of the different model architecture, we can't use transformers' "zero-shot-classification" pipeline. For that, we developed a special library called LiqFit. If you haven't install sentencepiece library you need to install it as well to use T5 tokenizers.

pip install liqfit sentencepiece

With the LiqFit pipeline

The model can be loaded with the zero-shot-classification pipeline like so:

from liqfit.pipeline import ZeroShotClassificationPipeline
from liqfit.models import T5ForZeroShotClassification
from transformers import T5Tokenizer

model = T5ForZeroShotClassification.from_pretrained('knowledgator/comprehend_it-multilingual-t5-base')
tokenizer = T5Tokenizer.from_pretrained('knowledgator/comprehend_it-multilingual-t5-base')
classifier = ZeroShotClassificationPipeline(model=model, tokenizer=tokenizer,
                                                      hypothesis_template = '{}', encoder_decoder = True)

You can then use this pipeline to classify sequences into any of the class names you specify.

sequence_to_classify = "one day I will see the world"
candidate_labels = ['travel', 'cooking', 'dancing']
classifier(sequence_to_classify, candidate_labels, multi_label=False)
{'sequence': 'one day I will see the world',
 'labels': ['travel', 'cooking', 'dancing'],
 'scores': [0.7350383996963501, 0.1484801471233368, 0.1164814680814743]}

Amoung Enlish you can use the model for many other languages, such as Ukrainian:

sequence_to_classify = "Одного дня я побачу цей світ."
candidate_labels = ['подорож', 'кулінарія', 'танці']
classifier(sequence_to_classify, candidate_labels, multi_label=False)
{'sequence': 'Одного дня я побачу цей світ.',
 'labels': ['подорож', 'кулінарія', 'танці'],
 'scores': [0.6393420696258545, 0.2657214105129242, 0.09493650496006012]}

The model works even if labels and text are different languages:

sequence_to_classify = "Одного дня я побачу цей світ"
candidate_labels = ['travel', 'cooking', 'dancing']
classifier(sequence_to_classify, candidate_labels, multi_label=False)
{'sequence': 'Одного дня я побачу цей світ',
 'labels': ['travel', 'cooking', 'dancing'],
 'scores': [0.7676175236701965, 0.15484870970249176, 0.07753374427556992]}

Benchmarking

Below, you can see the F1 score on several text classification datasets. All tested models were not fine-tuned on those datasets and were tested in a zero-shot setting.

ModelIMDBAG_NEWSEmotions
Bart-large-mnli (407 M)0.890.68870.3765
Deberta-base-v3 (184 M)0.850.64550.5095
Comprehendo (184M)0.900.79820.5660
Comprehendo-multi-lang (390M)0.880.8372-
SetFit BAAI/bge-small-en-v1.5 (33.4M)0.860.56360.5754

Future reading

Check our blogpost - "The new milestone in zero-shot capabilities (it’s not Generative AI).", where we highlighted possible use-cases of the model and why next-token prediction is not the only way to achive amazing zero-shot capabilites. While most of the AI industry is focused on generative AI and decoder-based models, we are committed to developing encoder-based models. We aim to achieve the same level of generalization for such models as their decoder brothers. Encoders have several wonderful properties, such as bidirectional attention, and they are the best choice for many information extraction tasks in terms of efficiency and controllability.

Feedback

We value your input! Share your feedback and suggestions to help us improve our models. Fill out the feedback form

Join Our Discord

Connect with our community on Discord for news, support, and discussion about our models. Join Discord

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · zero-shot-classification

Нельзя запустить

Архитектура T5 неизвестна transformers в образе рантайма.

Класс архитектуры
T5ForZeroShotClassification
Ревизия весов
ab4e15c

0 моделей