Fastino เปิดตัว GLiNER2.5 สถาปัตยกรรมทำนายขอบเขตข้อความ
Fastino ปล่อย GLiNER2.5 บน Hugging Face ภายใต้สัญญาอนุญาต Apache 2.0 ยกเลิกการแจกแจงช่วงข้อความเพื่อเพิ่มประสิทธิภาพการสกัดข้อมูล
ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง
- Fastino เปิดตัวโมเดล GLiNER2.5 จำนวน 3 เช็คพอยต์บน Hugging Face ภายใต้สัญญาอนุญาต Apache 2.0
- สถาปัตยกรรมใหม่ถอดระบบการแจกแจงช่วงข้อความออก ช่วยให้คำนวณเป็นเส้นตรงตามความยาวประโยค
- รุ่น GLiNER2.5 Base ทำคะแนนเฉลี่ยเพิ่มขึ้นเป็น 54.87 เทียบกับ 53.34 ในรุ่นก่อนหน้า
- โดดเด่นด้วยคะแนน XNLI ในรุ่น Multi ที่พุ่งสูงขึ้นถึง 62.30 เพิ่มขึ้นจากเดิม 24.75 จุด
Fastino ได้ประกาศเปิดตัวโมเดล GLiNER2.5 จำนวน 3 เช็คพอยต์ให้นักพัฒนาสามารถดาวน์โหลดได้แล้วผ่านทางแพลตฟอร์ม Hugging Face ภายใต้สัญญาอนุญาตแบบ Apache 2.0 โดยผู้ใช้งานสามารถรันโมเดลแบบ Local Inference ได้ทันทีบน CPU, CUDA หรือ MPS ผ่านคำสั่งติดตั้ง pip ผ่าน Python เวอร์ชัน 3.10 ขึ้นไป เนื่องจากในขณะนี้ยังไม่มีผู้ให้บริการรายใดโฮสต์โมเดลดังกล่าว การใช้งานด้วยตนเองจึงเป็นแนวทางหลักในการติดตั้งใช้งานในขณะนี้
โมเดล GLiNER รุ่นก่อนหน้านี้มีกลไกการค้นหาเอนทิตีด้วยวิธีการแจกแจงช่วงข้อความที่เป็นไปได้ทั้งหมด โดยนำตำแหน่งเริ่มต้นทุกตำแหน่งมาจับคู่กับความยาวที่อนุญาต แล้วนำมาให้คะแนนเทียบกับสีมาติก ซึ่งการออกแบบในลักษณะดังกล่าวทำให้ภาระการคำนวณต้องผูกติดกับแกนความยาว และสร้างข้อจำกัดที่เข้มงวดต่อขนาดความยาวของเอนทิตีที่โมเดลจะสามารถประมวลผลได้
ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง
ในเวอร์ชันใหม่อย่าง GLiNER2.5 ทางทีมผู้พัฒนาได้ตัดสินใจถอดระบบการแจกแจงช่วงข้อความออกไป โดยตัวเข้ารหัสแบบแชร์ยังคงทำหน้าที่ประมวลผลข้อความและคำสั่งค้นหาสีมาติกไปพร้อมกันในรอบเดียว แต่แทนที่จะให้คะแนนแต่ละช่วงข้อความ โมเดลจะทำหน้าที่ทำนายคะแนนจุดเริ่มต้นและจุดสิ้นสุดเหนือขอบเขตโทเค็น พร้อมกับคะแนนภายในเหนือโทเค็นแทน จากนั้นขั้นตอนการเสนอแบบสแปรส์จะคัดเลือกจุดเริ่มต้นและจุดสิ้นสุดที่มีแนวโน้มมากที่สุดต่อหนึ่งคำสั่งค้นหาแล้วนำมาจับคู่กันโดยไม่มีข้อจำกัดเรื่องระยะทาง
นอกจากนี้ ยังมีส่วนหัวของการจัดอันดับใหม่ที่ทำหน้าที่ให้คะแนนผู้สมัครแต่ละรายโดยอาศัยหลักฐานขอบเขตและเนื้อหาภายในช่วงข้อความนั้นๆ โดยที่ตัวเลือกความสัมพันธ์จะถูกดึงมาจากกลุ่มเดียวกันแทนที่จะใช้เส้นทางแยกต่างหาก ทีมงาน Fastino ยังรายงานด้วยว่าการคำนวณจะยังคงมีความเป็นเส้นตรงตามความยาวของลำดับข้อมูลเมื่อกำหนดสีมาติกและงบประมาณของผู้สมัครไว้คงที่
การอัปเกรดจากระบบ Span Enumeration ไปสู่ Boundary-Prediction Architecture ถือเป็นก้าวสำคัญในการแก้ปัญหาคอขวดด้านการคำนวณ (Computational Bottleneck) ของโมเดลสกัดข้อมูลเชิงโครงสร้าง การกำจัดกระบวนการจับคู่ทุกความเป็นไปได้ช่วยลดความซับซ้อนเชิงคำนวณลงอย่างมาก ทำให้โมเดลสามารถจัดการกับข้อความที่มีความยาวหลากหลายโดยไม่ติดข้อจำกัดด้านฮาร์ดแวร์แบบเดิม เหมาะสำหรับงานประมวลผลภาษาธรรมชาติที่ต้องการความเร็วและความแม่นยำสูงในระบบสเกลใหญ่
สำหรับการใช้งาน โมเดลทั้งสามตัวจะใช้ชุดคำสั่ง API สาธารณะร่วมกัน โดยผู้ใช้งานจะต้องโหลดผ่านคลาส AutoExtractor แทนการใช้งานตัวโหลดช่วงข้อความ GLiNER2 แบบเดิม พร้อมกันนี้ทางทีมงานได้ทำการประเมินผลแบบ Zero-shot บนชุดข้อมูลสาธารณะ 16 ชุด โดยเทียบค่า Macro F1 กับรุ่น GLiNER2 ในขนาดที่เท่ากัน ซึ่งพบว่าคะแนนเฉลี่ยโดยรวมของรุ่น GLiNER2.5 Multi อยู่ที่ 56.17 เทียบกับ 56.09 ของรุ่นเดิม ขณะที่รุ่น Base ขยับขึ้นมาอยู่ที่ 54.87 จากเดิม 53.34
ที่มา: MarkTechPost
พบข้อมูลผิดพลาดในบทความนี้? แจ้งปัญหาบทความนี้
ความคิดเห็น
แสดงความคิดเห็น