Описание: Модель UniNER-7B, обученная на LLama-7B с использованием данных типа Pile-NER без данных, помеченных человеком. Данные были собраны путем запроса gpt-3.5-turbo-0301 пометить объекты из отрывков и предоставить теги объектов. Запрос на сбор данных выглядит следующим образом: Инструкция: Учитывая отрывок, ваша задача — извлечь все сущности и определить их типы сущностей. Выходные данные должны быть в виде списка кортежей следующего формата: [(«сущность 1», «тип сущности 1»), … ]. Проверьте нашу статью для получения дополнительной информации. Ознакомьтесь с нашим репозиторием, чтобы узнать, как использовать модель. Модель типа UniNER-7B отлично подходит для обработки тегов объектов. Он лучше работает в тесте Universal NER, который состоит из 43 академических наборов данных в 9 областях. Напротив, определение UniNER-7B лучше работает при обработке типов объектов, определенных в коротких предложениях, и более устойчиво к перефразированию типов. Шаблон для экземпляров вывода выглядит следующим образом: Шаблон подсказки: виртуальный помощник отвечает на вопросы пользователя на основе предоставленного текста. ПОЛЬЗОВАТЕЛЬ: Текст: {Введите здесь текст} ПОМОЩНИК: Я прочитал этот текст. ПОЛЬЗОВАТЕЛЬ: Что описывает {Заполните здесь тип объекта} в тексте? ПОМОЩНИК: (прогнозы модели в формате JSON)…
Модальности:
Генерация текста
Задача: Генерация текста
Автор: Universal-NER
Теги: llama, en, text-generation-inference, endpoints_compatible
Лайков: 21 | Загрузок: 799
Описание основано на материалах HuggingFace. Перевод выполнен автоматически.
