GLiClass-V3: Een familie van alleen-encoder modellen die de DeBERTa-v3-Large evenaren of overtreffen in zero-shot nauwkeurigheid, terwijl ze tot 50× snellere inferentie leveren. Kernontwerp: - Single-pass inferentie: Geen cross-encoder pairing nodig. Eén forward pass behandelt alle labels. - LoRA-adapters: Fijn afgestemd op logische taken (bijv. Formele Logica Redenering, Commonsense QA) voor symbolische generalisatie zonder catastrofaal vergeten. - Edge-klaar: gliclass-edge-v3.0 haalt 97 ex/s op A6000, ideaal voor mobiel en IoT. GLiClass-V3 varianten (gliclass-*): (Bouwt op DeBERTa, ModernBERT en Ettin voor edge-implementatie) - large-v3.0: 70.0% gemiddelde F1 (beste) - base-v3.0: 65.6% - modern-large: 60.8% - edge-v3.0: 48.7% (snelste, Ettin-gebaseerd) - x-base: 57% F1 (EN), 42% (meertalig) voor robuuste meertalige zero-shot generalisatie. Benchmarks (zero-shot, geen fine-tuning): - CR, SST2, IMDb: ~0.93–0.94 F1 - Overtreft GLiClass-v2 en cross-encoders (bijv. DeBERTa-v3-Large, RoBERTa) - Schaal naar 128+ labels met enorme versnelling (DeBERTa-Large: 0.25 ex/s vs GLiClass: 82.6) Toepassingen: - Multi-label classificatie (bijv. onderwerp, sentiment, spam) - RAG herranking - Privacy-veilige on-device NLP Gebouwd op DeBERTa en ModernBERT. Volledig open-source. pip install gliclass