GLiClass-V3: En familj av modeller med endast pulsgivare som matchar eller överträffar DeBERTa-v3-Large i noggrannhet utan skott, samtidigt som de ger upp till 50 × snabbare slutsatsdragning. Kärnans utformning: - Slutsatsdragning med ett pass: Ingen korskodarparning behövs. En framåtpassning hanterar alla etiketter. - LoRA-adaptrar: Finjusterade på logiska uppgifter (t.ex. Formal Logic Reasoning, Commonsense QA) för symbolisk generalisering utan katastrofal glömska. - Redo för kanten: gliclass-edge-v3.0 når 97 ex/s på A6000, perfekt för mobil och IoT GLiClass-V3 varianter (gliclass-*): (Byggd på DeBERTa, ModernBERT och Ettin för edge-distribution) - large-v3.0: 70,0 % genomsnitt F1 (bäst) - Bas-v3.0: 65,6 % - Modern-stor: 60,8 % - edge-v3.0: 48,7 % (snabbast, Ettin-baserat) - x-bas: 57 % F1 (EN), 42 % (flerspråkig) för robust flerspråkig generalisering med noll skott Riktmärken (noll skott, ingen finjustering): - CR, SST2, IMDb: ~0,93–0,94 F1 - Överträffar GLiClass-v2 och korskodare (t.ex. DeBERTa-v3-Large, RoBERTa) - Kan skalas upp till 128+ etiketter med enorm hastighet (DeBERTa-Large: 0,25 ex/s jämfört med GLiClass: 82,6) Användningsområden: - Klassificering med flera etiketter (t.ex. ämne, sentiment, skräppost) - Omrankning av RAG - Integritetssäker NLP på enheten Byggd på DeBERTa och ModernBERT. Helt öppen källkod. pip installera gliclass