GLiClass-V3: Rodina modelů pouze s kodérem, které se vyrovnají nebo překračují DeBERTa-v3-Large v přesnosti nulového výstřelu a zároveň poskytují až o 50× rychlejší inferenci. Konstrukce jádra: - Jednoprůchodová inference: Není potřeba žádné párování křížového kodéru. Jeden dopředný průchod zvládne všechny popisky. - Adaptéry LoRA: Vyladěné na logické úlohy (např. Formální logické uvažování, QA zdravého rozumu) pro symbolické zobecnění bez katastrofického zapomínání. - Edge-ready: gliclass-edge-v3.0 dosahuje na A6000 97 ex/s, ideální pro mobilní zařízení a IoT Varianty GLiClass-V3 (gliclass-*): (Postaveno na DeBERTa, ModernBERT a Ettin pro nasazení na okraji) - large-v3.0: 70,0 % prům. F1 (nejlepší) - Base-v3.0: 65,6 % - Moderní-velký: 60,8 % - edge-v3.0: 48,7 % (nejrychlejší, založený na Ettinu) - x-base: 57 % F1 (EN), 42 % (vícejazyčně) pro robustní vícejazyčné zobecnění bez výstřelu Benchmarky (nulový záběr, žádné jemné doladění): - CR, SST2, IMDb: ~0,93–0,94 F1 - Překonává GLiClass-v2 a křížové kodéry (např. DeBERTa-v3-Large, RoBERTa) - Škáluje se na 128+ štítků s masivním zrychlením (DeBERTa-Large: 0,25 ex/s vs GLiClass: 82,6) Případy použití: - Klasifikace více štítků (např. téma, sentiment, spam) - Změna pořadí v kategorii RAG - NLP na zařízení s ochranou soukromí Postaveno na DeBERTa a ModernBERT. Plně open-source. pip install gliclass