语言: 多语言
许可证: MIT
任务标签: 零样本分类
示例输入:

• 文本: "现代汽车股价周三飙升近8%，此前一天韩国宣布了促进环保车辆使用的'绿色新政'。"
  候选标签: "因'绿色新政'上涨的股票, 因'绿色新政'下跌的股票"

微调零样本分类模型

本模型采用SmartShot方法在LLaMa生成的合成数据集上进行微调，以提升零样本分类性能。

模型详情

• 基础模型: MoritzLaurer/roberta-base-zeroshot-v2.0-c
• 训练数据: 为自然语言推理任务创建的合成数据
• 微调方法: 采用NLI框架的SmartShot方法

使用方法

from transformers import pipeline  

classifier = pipeline("zero-shot-classification", model="gincioks/smartshot-zeroshot-finetuned-v0.1.2")  
text = "现代汽车股价周三飙升近8%，此前一天韩国宣布了促进环保车辆使用的'绿色新政'。"  
labels = ["因'绿色新政'上涨的股票", "因'绿色新政'下跌的股票"]  
results = classifier(text, labels)  
print(results)  

训练过程

本模型采用以下参数进行微调:

• 学习率: 2e-05
• 训练轮次: 1
• 批次大小: 1
• 预热比例: 0.06

性能与局限

该模型在零样本分类任务上表现有所提升，但对于训练数据未覆盖的领域仍可能存在局限性。