语言:

• 多语言
• 英语
• 阿拉伯语
• 保加利亚语
• 德语
• 希腊语
• 西班牙语
• 法语
• 印地语
• 俄语
• 斯瓦希里语
• 泰语
• 土耳其语
• 乌尔都语
• 越南语
• 中文 许可证: mit 标签:
• 零样本分类
• 文本分类
• 自然语言推理
• pytorch 评估指标:
• 准确率 数据集:
• multi_nli
• xnli 管道标签: 零样本分类 小部件示例:
• 文本: "Angela Merkel ist eine Politikerin in Deutschland und Vorsitzende der CDU" 候选标签: "政治, 经济, 娱乐, 环境"

多语言XLM-V-base-mnli-xnli模型

模型描述

该多语言模型能够对116种语言进行自然语言推理(NLI)，因此也适用于多语言零样本分类任务。基础模型XLM-V-base由Meta AI研发，基于CC100多语言数据集预训练，随后在XNLI数据集（包含15种语言的假设-前提对）和英文MNLI数据集上微调。XLM-V-base于2023年1月23日通过此论文发布，其核心创新在于更大更优的词表：此前多语言模型仅包含25万词元，而XLM-V拥有100万词元，这一改进显著提升了多语言表征能力。

使用方法

简易零样本分类流程

from transformers import pipeline
classifier = pipeline("zero-shot-classification", model="MoritzLaurer/xlm-v-base-mnli-xnli")

sequence_to_classify = "Angela Merkel ist eine Politikerin in Deutschland und Vorsitzende der CDU"
candidate_labels = ["政治", "经济", "娱乐", "环境"]
output = classifier(sequence_to_classify, candidate_labels, multi_label=False)
print(output)

NLI应用示例

from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

model_name = "MoritzLaurer/xlm-v-base-mnli-xnli"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForSequenceClassification.from_pretrained(model_name)

premise = "Angela Merkel ist eine Politikerin in Deutschland und Vorsitzende der CDU"
hypothesis = "Emmanuel Macron是法国总统"

input = tokenizer(premise, hypothesis, truncation=True, return_tensors="pt")
output = model(input["input_ids"].to(device))  # 设备选择"cuda:0"或"cpu"
prediction = torch.softmax(output["logits"][0], -1).tolist()
label_names = ["蕴含", "中立", "矛盾"]
prediction = {name: round(float(pred) * 100, 1) for pred, name in zip(prediction, label_names)}
print(prediction)

训练数据

本模型基于XNLI开发集和MNLI训练集微调。XNLI开发集包含2490条专业翻译文本（覆盖14种语言，总计37350条），详见此论文。值得注意的是，虽然XNLI包含15种语言的MNLI机器翻译训练集，但为避免机器翻译质量问题，本模型仅使用XNLI专业翻译数据和原始英文MNLI数据（392702条）。这种策略既防止模型过拟合于15种语言，又保留了XLM-V在其余101种预训练语言上的能力，同时大幅降低训练成本。

训练参数

采用Hugging Face训练器，关键超参数如下：

训练参数 = TrainingArguments(
    训练轮数=3,
    学习率=2e-05,
    单设备训练批大小=32,
    单设备评估批大小=120,
    学习率预热比例=0.06,
    权重衰减=0.01,
)

评估结果

在XNLI测试集（15种语言，每种5010条，总计75150条）上评估。需注意多语言NLI模型具备跨语言迁移能力，即使未接受特定语言的NLI训练数据也能进行分类。对于XNLI未覆盖的101种语言，模型性能可能较低。

原论文报告XLM-V平均XNLI准确率为0.76（参见表2），本实现达到0.78，提升可能源于MNLI数据的加入。mDeBERTa-v3-base-mnli-xnli平均性能0.808，体积更小（560MB vs 3GB）且速度更快（得益于精简词表），其优势可能来自改进的预训练目标。实际应用中可根据任务需求选择，但XLM-V在部分语言上可能表现更优。

局限性与偏差

请参考原始XLM-V论文及各类NLI数据集相关文献了解潜在偏差。

引用

若使用本模型，请引用：Laurer, Moritz等. 2022.《减少标注，增加分类——基于深度迁移学习和BERT-NLI解决监督机器学习的数据稀缺问题》. 预印本. Open Science Framework. https://osf.io/74b8k.

合作或咨询

请联系：m.lauer@vu.nl 或访问LinkedIn