GLiClass-V3: Una familia de modelos solo de codificador que igualan o superan a DeBERTa-v3-Large en precisión de disparo cero, al tiempo que ofrecen una inferencia hasta un 50× más rápida. Diseño central: - Inferencia de un solo paso: no se necesita emparejamiento entre codificadores. Un pase hacia adelante maneja todas las etiquetas. - Adaptadores LoRA: Ajustados en tareas lógicas (por ejemplo, razonamiento lógico formal, control de calidad de sentido común) para generalización simbólica sin olvidos catastróficos. - Listo para el borde: gliclass-edge-v3.0 alcanza los 97 ex/s en el A6000, ideal para dispositivos móviles e IoT Variantes GLiClass-V3 (gliclass-*): (Basado en DeBERTa, ModernBERT y Ettin para la implementación en el borde) - large-v3.0: 70.0% promedio F1 (mejor) - Base-v3.0: 65,6 % - moderno-grande: 60,8% - edge-v3.0: 48,7% (más rápido, basado en Ettin) - x-base: 57% F1 (EN), 42% (multilingüe) para una sólida generalización multilingüe de disparo cero Puntos de referencia (disparo cero, sin ajuste fino): - CR, SST2, IMDb: ~0.93–0.94 F1 - Supera a GLiClass-v2 y a los codificadores cruzados (por ejemplo, DeBERTa-v3-Large, RoBERTa) - Escala a 128+ etiquetas con una aceleración masiva (DeBERTa-Large: 0.25 ex/s frente a GLiClass: 82.6) Casos de uso: - Clasificación de etiquetas múltiples (por ejemplo, tema, sentimiento, spam) - Reclasificación de RAG - NLP en el dispositivo seguro para la privacidad Construido sobre DeBERTa y ModernBERT. Totalmente de código abierto. pip install gliclass