Переосмысление отрицательных экземпляров для генеративного распознавания именованных объектов Мы представляем GNER, структуру генеративного распознавания именованных объектов, которая демонстрирует расширенные возможности нулевого выстрела в невидимых доменах объектов. Эксперименты на двух репрезентативных генеративных моделях, то есть LLaMA и Flan-T5, показывают, что интеграция негативных примеров в процесс обучения приводит к существенному повышению производительности. Полученные модели, GNER-LLaMA и GNER-T5, значительно превосходят современные подходы (SoTA), достигая улучшения на 8 и 11 баллов по шкале $F_1$ соответственно. Код и модели общедоступны. 💻 Код: https://github.com/yyDing1/GNER/ 📖 Документ: Переосмысление отрицательных экземпляров для генеративного распознавания именованных объектов 💾 Модели в 🤗 HuggingFace Hub: GNER-Models 🧪 Материалы для воспроизведения: Материалы для воспроизведения * 🎨 Пример блокнотов Jupyter: Блокнот GNER Мы выпускаем пять моделей GNER на базе LLaMA (7B) и Flan-T5 (базовый, большой, xl и xxl). Ознакомьтесь с примерами блокнотов Jupyter для получения инструкций по использованию моделей GNER.
Модальности:
Генерация текста
Задача: Генерация текста
Автор: dyyyyyyyy
Теги: llama, en, text-generation-inference, endpoints_compatible
Лайков: 4 | Загрузок: 30
Описание основано на материалах HuggingFace. Перевод выполнен автоматически.
