GLiClass-V3: Uma família de modelos apenas de codificação que igualam ou superam o DeBERTa-v3-Large em precisão zero-shot, enquanto oferecem até 50× mais rapidez na inferência. Design Principal: - Inferência de passagem única: Não é necessário emparelhamento de codificadores cruzados. Uma passagem para a frente lida com todos os rótulos. - Adaptadores LoRA: Ajustados em tarefas lógicas (por exemplo, Raciocínio Lógico Formal, QA de Senso Comum) para generalização simbólica sem esquecimento catastrófico. - Pronto para Edge: gliclass-edge-v3.0 atinge 97 ex/s na A6000, ideal para dispositivos móveis e IoT. Variantes do GLiClass-V3 (gliclass-*): (Construído sobre DeBERTa, ModernBERT e Ettin para implantação em edge) - large-v3.0: 70.0% de F1 médio (melhor) - base-v3.0: 65.6% - modern-large: 60.8% - edge-v3.0: 48.7% (mais rápido, baseado em Ettin) - x-base: 57% F1 (EN), 42% (multilíngue) para robusta generalização zero-shot multilíngue. Benchmarks (zero-shot, sem ajuste fino): - CR, SST2, IMDb: ~0.93–0.94 F1 - Supera GLiClass-v2 e codificadores cruzados (por exemplo, DeBERTa-v3-Large, RoBERTa) - Escala para 128+ rótulos com enorme aceleração (DeBERTa-Large: 0.25 ex/s vs GLiClass: 82.6) Casos de uso: - Classificação multi-rótulo (por exemplo, tópico, sentimento, spam) - Reclassificação RAG - NLP seguro em dispositivo. Construído sobre DeBERTa e ModernBERT. Totalmente open-source. pip install gliclass