GLiClass-V3: Rodzina modeli tylko z enkoderem, które osiągają lub przewyższają dokładność DeBERTa-v3-Large w zadaniach zero-shot, przy jednoczesnym dostarczaniu do 50× szybszego wnioskowania. Główna konstrukcja: - Wnioskowanie w jednym przebiegu: Nie ma potrzeby parowania z cross-encoderem. Jeden przebieg do przodu obsługuje wszystkie etykiety. - Adaptery LoRA: Dostosowane do zadań logicznych (np. Rozumowanie logiczne, Commonsense QA) dla symbolicznej generalizacji bez katastrofalnego zapominania. - Gotowe do użycia na krawędzi: gliclass-edge-v3.0 osiąga 97 ex/s na A6000, idealne do zastosowań mobilnych i IoT. Warianty GLiClass-V3 (gliclass-*): (Zbudowane na DeBERTa, ModernBERT i Ettin do wdrożeń na krawędzi) - large-v3.0: 70.0% średni F1 (najlepszy) - base-v3.0: 65.6% - modern-large: 60.8% - edge-v3.0: 48.7% (najszybszy, oparty na Ettin) - x-base: 57% F1 (EN), 42% (wielojęzyczny) dla solidnej wielojęzycznej generalizacji zero-shot. Benchmarki (zero-shot, bez dostrajania): - CR, SST2, IMDb: ~0.93–0.94 F1 - Przewyższa GLiClass-v2 i cross-encodery (np. DeBERTa-v3-Large, RoBERTa) - Skaluje się do 128+ etykiet z ogromnym przyspieszeniem (DeBERTa-Large: 0.25 ex/s vs GLiClass: 82.6) Przykłady zastosowań: - Klasyfikacja wieloetykietowa (np. temat, sentyment, spam) - RAG reranking - Bezpieczne dla prywatności NLP na urządzeniach Zbudowane na DeBERTa i ModernBERT. Całkowicie open-source. pip install gliclass