GLiClass-V3: Keluarga model khusus encoder yang cocok atau melampaui DeBERTa-v3-Large dalam akurasi zero-shot, sekaligus memberikan inferensi hingga 50× lebih cepat. Desain Inti: - Inferensi satu lintasan: Tidak diperlukan pemasangan cross-encoder. Satu lintasan maju menangani semua label. - Adaptor LoRA: Menyempurnakan tugas-tugas logika (misalnya, Penalaran Logika Formal, QA Akal Sehat) untuk generalisasi simbolis tanpa kelupaan bencana. - Siap tepi: gliclass-edge-v3.0 mencapai 97 ex/s pada A6000, ideal untuk seluler dan IoT Varian GLiClass-V3 (gliclass-*): (Dibangun di atas DeBERTa, ModernBERT, dan Ettin untuk penyebaran edge) - besar-v3.0: 70.0% rata-rata F1 (terbaik) - Basis-v3.0: 65.6% - modern-besar: 60,8% - edge-v3.0: 48,7% (tercepat, berbasis Ettin) - x-base: 57% F1 (EN), 42% (multibahasa) untuk generalisasi zero-shot multibahasa yang kuat Tolok ukur (zero-shot, tanpa penyetelan): - CR, SST2, IMDb: ~0,93–0,94 F1 - Mengungguli GLiClass-v2 dan cross-encoder (misalnya, DeBERTa-v3-Large, RoBERTa) - Menskalakan ke 128+ label dengan kecepatan besar-besaran (DeBERTa-Large: 0,25 ex/s vs GLiClass: 82,6) Kasus penggunaan: - Klasifikasi multilabel (misalnya, topik, sentimen, spam) - Peringkat ulang RAG - NLP di perangkat yang aman privasi Dibangun di atas DeBERTa dan ModernBERT. Sepenuhnya sumber terbuka. pip menginstal gliclass