🚀 ModernBERT-large 模型

ModernBERT-large 是一个经过多任务微调的模型，在自然语言推理、零样本分类等任务中表现出色，具备强大的推理和细粒度分析能力。

🚀 快速开始

本模型是在多个自然语言推理（NLI）任务上进行多任务微调的 ModernBERT 模型，涵盖了 MNLI、ANLI、SICK、WANLI、doc - nli、LingNLI、FOLIO、FOL - NLI、LogicNLI、Label - NLI 等任务（以及下表中的所有数据集）。这是一个 “指令” 版本的模型。该模型在 Nvidia A30 GPU 上训练了 200k 步。

它在推理任务（在 ANLI 和 FOLIO 上表现优于 llama 3.1 8B Instruct）、长上下文推理、情感分析和使用新标签的零样本分类方面表现出色。

✨ 主要特性

• 强大的推理能力：在多种推理任务中表现优秀，优于部分同类模型。
• 长上下文处理：能够处理长上下文的推理任务。
• 多任务适用性：适用于情感分析和零样本分类等多种任务。

📚 详细文档

模型测试准确率

以下表格展示了模型的测试准确率。这些是同一个变压器模型搭配不同分类头的得分。通过在单一任务（如 SST）上进行微调可以进一步提高性能，但此检查点在零样本分类和自然语言推理（矛盾/蕴含/中立分类）方面表现出色。

模型信息

💻 使用示例

基础用法

[ZS] 零样本分类管道

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 训练数据包括 label - nli，这是一个专门为提高此类零样本分类而构建的 NLI 数据集。

[NLI] 自然语言推理管道

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)

高级用法

进一步微调的骨干模型

此检查点比基础版本具有更强的推理和细粒度分析能力，可用于进一步的微调。

📄 许可证

本模型使用 apache - 2.0 许可证。

📖 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",
}