GLiClass-V3: Una familia de modelos solo de codificación que igualan o superan a DeBERTa-v3-Large en precisión de cero disparos, mientras ofrecen hasta 50× más velocidad de inferencia. Diseño central: - Inferencia de paso único: No se necesita emparejamiento de codificadores cruzados. Un pase hacia adelante maneja todas las etiquetas. - Adaptadores LoRA: Ajustados en tareas lógicas (por ejemplo, Razonamiento Lógico Formal, QA de Sentido Común) para generalización simbólica sin olvido catastrófico. - Listo para el borde: gliclass-edge-v3.0 alcanza 97 ex/s en A6000, ideal para móvil e IoT. Variantes de GLiClass-V3 (gliclass-*): (Construido sobre DeBERTa, ModernBERT y Ettin para implementación en el borde) - large-v3.0: 70.0% avg F1 (mejor) - base-v3.0: 65.6% - modern-large: 60.8% - edge-v3.0: 48.7% (más rápido, basado en Ettin) - x-base: 57% F1 (EN), 42% (multilingüe) para una robusta generalización multilingüe de cero disparos. Referencias (cero disparos, sin ajuste fino): - CR, SST2, IMDb: ~0.93–0.94 F1 - Supera a GLiClass-v2 y codificadores cruzados (por ejemplo, DeBERTa-v3-Large, RoBERTa) - Escala a 128+ etiquetas con un aumento masivo de velocidad (DeBERTa-Large: 0.25 ex/s vs GLiClass: 82.6) Casos de uso: - Clasificación multietiqueta (por ejemplo, tema, sentimiento, spam) - Reordenamiento RAG - NLP seguro en el dispositivo. Construido sobre DeBERTa y ModernBERT. Totalmente de código abierto. pip install gliclass