UniversalNER: как сделать модели распознавания сущностей эффективнее
UniversalNER: как сделать модели распознавания сущностей эффективнее Представлена новая разработка — UniversalNER. Это решение в области больших языковых моделей, которое использует метод целевой искусственной дистилляции и усилено настройкой на конкретные задачи. Исследователи смогли создать более экономичные модели, сохранив качество распознавания именованных сущностей (NER) на уровне ChatGPT. В ходе тестирования на 43 наборах данных в 9 областях UniversalNER показал преимущество перед моделями Alpaca и Vicuna, обогнав их более чем на 30 пунктов F1 в среднем. При этом модель имеет гораздо меньше параметров, чем ChatGPT, но превосходит его по точности распознавания сущностей на 7–9 пунктов F1. Особенность UniversalNER в том, что без прямого технического надзора модель справляется с задачей лучше, чем некоторые многозадачные системы. Это достижение может стать важным шагом в обработке естественного языка.