GLiClass-V3：一系列仅编码器模型，在零-shot 精度上与 DeBERTa-v3-Large 相匹配或超越，同时提供高达 50 倍的推理速度。 核心设计： - 单次推理：无需交叉编码器配对。一次前向传递处理所有标签。 - LoRA 适配器：在逻辑任务（例如，形式逻辑推理、常识问答）上进行微调，以实现符号泛化而不发生灾难性遗忘。 - 边缘就绪：gliclass-edge-v3.0 在 A6000 上达到 97 ex/s，适合移动设备和物联网。 GLiClass-V3 变体（gliclass-*）： （基于 DeBERTa、ModernBERT 和 Ettin 进行边缘部署） - large-v3.0：70.0% 平均 F1（最佳） - base-v3.0：65.6% - modern-large：60.8% - edge-v3.0：48.7%（最快，基于 Ettin） - x-base：57% F1（英语），42%（多语言），用于强大的多语言零-shot 泛化。 基准测试（零-shot，无需微调）： - CR、SST2、IMDb：~0.93–0.94 F1 - 超越 GLiClass-v2 和交叉编码器（例如，DeBERTa-v3-Large、RoBERTa） - 可扩展到 128+ 标签，速度大幅提升（DeBERTa-Large：0.25 ex/s vs GLiClass：82.6） 用例： - 多标签分类（例如，主题、情感、垃圾邮件） - RAG 重新排序 - 隐私安全的设备内 NLP 基于 DeBERTa 和 ModernBERT。完全开源。 pip install gliclass