Modernbert Large Nli

🚀 ModernBERT-large 模型

ModernBERT-large 是一個經過多任務微調的模型，在自然語言推理、零樣本分類等任務中表現出色，具備強大的推理和細粒度分析能力。

🚀 快速開始

本模型是在多個自然語言推理（NLI）任務上進行多任務微調的 ModernBERT 模型，涵蓋了 MNLI、ANLI、SICK、WANLI、doc - nli、LingNLI、FOLIO、FOL - NLI、LogicNLI、Label - NLI 等任務（以及下表中的所有數據集）。這是一個 “指令” 版本的模型。該模型在 Nvidia A30 GPU 上訓練了 200k 步。

它在推理任務（在 ANLI 和 FOLIO 上表現優於 llama 3.1 8B Instruct）、長上下文推理、情感分析和使用新標籤的零樣本分類方面表現出色。

✨ 主要特性

• 強大的推理能力：在多種推理任務中表現優秀，優於部分同類模型。
• 長上下文處理：能夠處理長上下文的推理任務。
• 多任務適用性：適用於情感分析和零樣本分類等多種任務。

📚 詳細文檔

模型測試準確率

以下表格展示了模型的測試準確率。這些是同一個變壓器模型搭配不同分類頭的得分。通過在單一任務（如 SST）上進行微調可以進一步提高性能，但此檢查點在零樣本分類和自然語言推理（矛盾/蘊含/中立分類）方面表現出色。

模型信息

💻 使用示例

基礎用法

[ZS] 零樣本分類管道

from transformers import pipeline
classifier = pipeline("zero-shot-classification",model="tasksource/ModernBERT-large-nli")

text = "one day I will see the world"
candidate_labels = ['travel', 'cooking', 'dancing']
classifier(text, candidate_labels)

此模型的 NLI 訓練數據包括 label - nli，這是一個專門為提高此類零樣本分類而構建的 NLI 數據集。

[NLI] 自然語言推理管道

from transformers import pipeline
pipe = pipeline("text-classification",model="tasksource/ModernBERT-large-nli")
pipe([dict(text='there is a cat',
  text_pair='there is a black cat')]) #list of (premise,hypothesis)

高級用法

進一步微調的骨幹模型

此檢查點比基礎版本具有更強的推理和細粒度分析能力，可用於進一步的微調。

📄 許可證

本模型使用 apache - 2.0 許可證。

📖 引用

@inproceedings{sileo-2024-tasksource,
    title = "tasksource: A Large Collection of {NLP} tasks with a Structured Dataset Preprocessing Framework",
    author = "Sileo, Damien",
    booktitle = "Proceedings of the 2024 Joint International Conference on Computational Linguistics, Language Resources and Evaluation (LREC-COLING 2024)",
    month = may,
    year = "2024",
    address = "Torino, Italia",
    publisher = "ELRA and ICCL",
    url = "https://aclanthology.org/2024.lrec-main.1361",
    pages = "15655--15684",
}