deberta-v3-large-tasksource-nli

项目介绍：DeBERTa-v3-large-tasksource-nli

DeBERTa-v3-large-tasksource-nli是一个经过多任务学习精调的语言模型，专注于自然语言推理（NLI）和文本分类任务。这个模型是基于DeBERTa-v3的，经过调优后，能够在多种任务上表现出色，包括非监督的零样本学习。

主要特点

• 多任务学习：模型在超过600项任务上进行了训练，这些任务来自多种数据集，包括GLUE、Super GLUE、SNLI、ANLI等。
• 零样本能力：这个模型在诸多任务上表现出强大的零样本验证能力，例如在WNLI任务中达到77%的准确率。
• 良好的嵌入性能：模型的未微调CLS嵌入在MNLI上的线性探测性能达到了90%，这归功于其多任务训练。

模型训练

• 共享编码器：模型的编码器经过多种数据集的训练，包括bigbench、Anthropic rlhf和多个NLI与分类任务。
• 特定CLS嵌入：每个任务都有特定的CLS嵌入，该嵌入在10%的情况下会被删除，以便于模型在没有它的情况下使用。
• 统一分类层：对于多项选择问题的模型，使用相同的分类层，而具有相同标签的任务共享权重。
• 训练数据限制：每项任务上的样本数量上限为64k。
• 训练参数：训练进行了80k步，批量大小为384，学习率达到2e-5的峰值。

软件与资源

• 训练代码和相关资源可通过以下链接访问：
  • tasksource代码
  • tasknet代码
• 硬件：训练在Nvidia A100 40GB GPU上耗时6天。

如何使用

对于特定任务的分类器，用户可以访问这里获取所有可用任务的分类器。

进一步阅读

项目的详细信息可以在此文章中找到。如需引用，请参考以下文献格式：

@article{sileo2023tasksource,
  title={tasksource: Structured Dataset Preprocessing Annotations for Frictionless Extreme Multi-Task Learning and Evaluation},
  author={Sileo, Damien},
  url= {https://arxiv.org/abs/2301.05948},
  journal={arXiv preprint arXiv:2301.05948},
  year={2023}
}

联系方式

对于更多信息，可以通过电子邮件联系：damien.sileo@inria.fr。