GLiClass-V3: En serie med enkodermodeller som matcher eller overgår DeBERTa-v3-Large i nullbildenøyaktighet, samtidig som de leverer opptil 50 × raskere slutninger. Kjerne design: - Enkeltpassslutning: Ingen sammenkobling av krysskodere er nødvendig. En foroverpassering håndterer alle etiketter. - LoRA-adaptere: Finjustert på logiske oppgaver (f.eks. Formal Logic Reasoning, Commonsense QA) for symbolsk generalisering uten katastrofal glemsel. - Kantklar: gliclass-edge-v3.0 treffer 97 ex/s på A6000, ideell for mobil og IoT GLiClass-V3-varianter (gliclass-*): (Bygget på DeBERTa, ModernBERT og Ettin for edge-distribusjon) - large-v3.0: 70,0 % gjennomsnittlig F1 (best) - base-v3.0: 65,6 % - Moderne-stor: 60,8 % - edge-v3.0: 48,7 % (raskest, Ettin-basert) - x-base: 57 % F1 (EN), 42 % (flerspråklig) for robust flerspråklig nullskuddsgeneralisering Benchmarks (nullskudd, ingen finjustering): - CR, SST2, IMDb: ~0,93–0,94 F1 - Overgår GLiClass-v2 og krysskodere (f.eks. - Skalerer til 128+ etiketter med massiv hastighet (DeBERTa-Large: 0,25 eks/s vs GLiClass: 82,6) Brukstilfeller: - Klassifisering med flere etiketter (f.eks. emne, sentiment, spam) - Omrangering av RAG - Personvernsikker NLP på enheten Bygget på DeBERTa og ModernBERT. Fullstendig åpen kildekode. pip installere gliclass