You can deploy this model and start earning money today!

faodl/
model_cca_multilabel_mpnet-65max-data-augmented-v03

Name: model_cca_multilabel_mpnet-65max-data-augmented-v03
Availability: InStock

setfit

safetensors

xlm-roberta

sentence-transformers

text-classification

generated_from_setfit_trainer

2209.11055

sentence-transformers/paraphrase-multilingual-mpnet-base-v2

finetune

text-embeddings-inference

Views

No views yet

SetFit with sentence-transformers/paraphrase-multilingual-mpnet-base-v2

This is a SetFit model that can be used for Text Classification. This SetFit model uses sentence-transformers/paraphrase-multilingual-mpnet-base-v2 as the Sentence Transformer embedding model. A OneVsRestClassifier instance is used for classification.

The model has been trained using an efficient few-shot learning technique that involves:

Fine-tuning a Sentence Transformer with contrastive learning.
Training a classification head with features from the fine-tuned Sentence Transformer.

Model Details

Model Description

Model Type: SetFit
Sentence Transformer body: sentence-transformers/paraphrase-multilingual-mpnet-base-v2
Classification head: a OneVsRestClassifier instance
Maximum Sequence Length: 128 tokens
Number of Classes: 96 classes

Model Sources

Repository: SetFit on GitHub
Paper: Efficient Few-Shot Learning Without Prompts
Blogpost: SetFit: Efficient Few-Shot Learning Without Prompts

Uses

Direct Use for Inference

First install the SetFit library:

pip install setfit

Then you can load this model and run inference.

python

from setfit import SetFitModel

# Download from the 🤗 Hub
model = SetFitModel.from_pretrained("faodl/model_cca_multilabel_mpnet-65max-data-augmented-v03")
# Run inference
preds = model("Financing windows will be created to de-risk early-stage bioenergy ventures, including blended finance and concessional lending.")

Training Details

Training Set Metrics

Training set	Min	Median	Max
Word count	1	47.2721	947

Training Hyperparameters

batch_size: (8, 8)
num_epochs: (2, 2)
max_steps: -1
sampling_strategy: oversampling
num_iterations: 10
body_learning_rate: (2e-05, 2e-05)
head_learning_rate: 2e-05
loss: CosineSimilarityLoss
distance_metric: cosine_distance
margin: 0.25
end_to_end: False
use_amp: False
warmup_proportion: 0.1
l2_weight: 0.01
seed: 42
eval_max_steps: -1
load_best_model_at_end: False

Training Results

Epoch	Step	Training Loss	Validation Loss
0.0001	1	0.3187	-
0.0032	50	0.2107	-
0.0065	100	0.2079	-
0.0097	150	0.2015	-
0.0130	200	0.2011	-
0.0162	250	0.1917	-
0.0194	300	0.187	-
0.0227	350	0.1892	-
0.0259	400	0.1726	-
0.0291	450	0.1776	-
0.0324	500	0.1685	-
0.0356	550	0.176	-
0.0389	600	0.1646	-
0.0421	650	0.1689	-
0.0453	700	0.1577	-
0.0486	750	0.1466	-
0.0518	800	0.1534	-
0.0551	850	0.1606	-
0.0583	900	0.149	-
0.0615	950	0.1414	-
0.0648	1000	0.1357	-
0.0680	1050	0.1483	-
0.0713	1100	0.1302	-
0.0745	1150	0.14	-
0.0777	1200	0.1479	-
0.0810	1250	0.1496	-
0.0842	1300	0.1308	-
0.0874	1350	0.1509	-
0.0907	1400	0.15	-
0.0939	1450	0.1516	-
0.0972	1500	0.1319	-
0.1004	1550	0.1349	-
0.1036	1600	0.1398	-
0.1069	1650	0.1276	-
0.1101	1700	0.1309	-
0.1134	1750	0.1408	-
0.1166	1800	0.1416	-
0.1198	1850	0.1371	-
0.1231	1900	0.1266	-
0.1263	1950	0.1257	-
0.1296	2000	0.1337	-
0.1328	2050	0.1475	-
0.1360	2100	0.1412	-
0.1393	2150	0.1412	-
0.1425	2200	0.1281	-
0.1457	2250	0.1293	-
0.1490	2300	0.1186	-
0.1522	2350	0.142	-
0.1555	2400	0.1327	-
0.1587	2450	0.1356	-
0.1619	2500	0.1357	-
0.1652	2550	0.1235	-
0.1684	2600	0.1448	-
0.1717	2650	0.1274	-
0.1749	2700	0.1138	-
0.1781	2750	0.13	-
0.1814	2800	0.1231	-
0.1846	2850	0.1258	-
0.1878	2900	0.1148	-
0.1911	2950	0.1249	-
0.1943	3000	0.1281	-
0.1976	3050	0.1239	-
0.2008	3100	0.1205	-
0.2040	3150	0.1265	-
0.2073	3200	0.1371	-
0.2105	3250	0.1285	-
0.2138	3300	0.1365	-
0.2170	3350	0.1344	-
0.2202	3400	0.1329	-
0.2235	3450	0.1393	-
0.2267	3500	0.1313	-
0.2300	3550	0.1141	-
0.2332	3600	0.1255	-
0.2364	3650	0.1239	-
0.2397	3700	0.1215	-
0.2429	3750	0.1208	-
0.2461	3800	0.1339	-
0.2494	3850	0.1298	-
0.2526	3900	0.1275	-
0.2559	3950	0.126	-
0.2591	4000	0.1106	-
0.2623	4050	0.1301	-
0.2656	4100	0.1066	-
0.2688	4150	0.1309	-
0.2721	4200	0.1205	-
0.2753	4250	0.1371	-
0.2785	4300	0.1215	-
0.2818	4350	0.1204	-
0.2850	4400	0.1183	-
0.2882	4450	0.1189	-
0.2915	4500	0.1129	-
0.2947	4550	0.115	-
0.2980	4600	0.1152	-
0.3012	4650	0.1122	-
0.3044	4700	0.1217	-
0.3077	4750	0.103	-
0.3109	4800	0.1203	-
0.3142	4850	0.1253	-
0.3174	4900	0.1123	-
0.3206	4950	0.1262	-
0.3239	5000	0.1115	-
0.3271	5050	0.1219	-
0.3304	5100	0.1185	-
0.3336	5150	0.1242	-
0.3368	5200	0.123	-
0.3401	5250	0.1055	-
0.3433	5300	0.116	-
0.3465	5350	0.1173	-
0.3498	5400	0.1116	-
0.3530	5450	0.1173	-
0.3563	5500	0.107	-
0.3595	5550	0.1052	-
0.3627	5600	0.1119	-
0.3660	5650	0.1116	-
0.3692	5700	0.1153	-
0.3725	5750	0.1039	-
0.3757	5800	0.1187	-
0.3789	5850	0.1106	-
0.3822	5900	0.111	-
0.3854	5950	0.1018	-
0.3887	6000	0.1065	-
0.3919	6050	0.1044	-
0.3951	6100	0.1037	-
0.3984	6150	0.0991	-
0.4016	6200	0.0984	-
0.4048	6250	0.1058	-
0.4081	6300	0.0954	-
0.4113	6350	0.0883	-
0.4146	6400	0.1077	-
0.4178	6450	0.1134	-
0.4210	6500	0.1079	-
0.4243	6550	0.0996	-
0.4275	6600	0.1045	-
0.4308	6650	0.1151	-
0.4340	6700	0.1062	-
0.4372	6750	0.1077	-
0.4405	6800	0.1133	-
0.4437	6850	0.1096	-
0.4469	6900	0.1017	-
0.4502	6950	0.0972	-
0.4534	7000	0.0955	-
0.4567	7050	0.0986	-
0.4599	7100	0.0942	-
0.4631	7150	0.1093	-
0.4664	7200	0.0908	-
0.4696	7250	0.1165	-
0.4729	7300	0.0979	-
0.4761	7350	0.0915	-
0.4793	7400	0.0824	-
0.4826	7450	0.0988	-
0.4858	7500	0.112	-
0.4891	7550	0.0997	-
0.4923	7600	0.1013	-
0.4955	7650	0.1119	-
0.4988	7700	0.1087	-
0.5020	7750	0.1037	-
0.5052	7800	0.0995	-
0.5085	7850	0.0913	-
0.5117	7900	0.1006	-
0.5150	7950	0.0916	-
0.5182	8000	0.0861	-
0.5214	8050	0.1135	-
0.5247	8100	0.0956	-
0.5279	8150	0.1007	-
0.5312	8200	0.0898	-
0.5344	8250	0.1079	-
0.5376	8300	0.093	-
0.5409	8350	0.0957	-
0.5441	8400	0.0945	-
0.5474	8450	0.0929	-
0.5506	8500	0.0933	-
0.5538	8550	0.0948	-
0.5571	8600	0.0793	-
0.5603	8650	0.0888	-
0.5635	8700	0.0835	-
0.5668	8750	0.0809	-
0.5700	8800	0.1069	-
0.5733	8850	0.0885	-
0.5765	8900	0.089	-
0.5797	8950	0.1028	-
0.5830	9000	0.0842	-
0.5862	9050	0.0946	-
0.5895	9100	0.0989	-
0.5927	9150	0.0827	-
0.5959	9200	0.0798	-
0.5992	9250	0.0855	-
0.6024	9300	0.091	-
0.6056	9350	0.0905	-
0.6089	9400	0.0844	-
0.6121	9450	0.0783	-
0.6154	9500	0.0838	-
0.6186	9550	0.0992	-
0.6218	9600	0.0954	-
0.6251	9650	0.0817	-
0.6283	9700	0.0895	-
0.6316	9750	0.0818	-
0.6348	9800	0.0806	-
0.6380	9850	0.0895	-
0.6413	9900	0.0925	-
0.6445	9950	0.0865	-
0.6478	10000	0.0881	-
0.6510	10050	0.0804	-
0.6542	10100	0.0951	-
0.6575	10150	0.0998	-
0.6607	10200	0.0892	-
0.6639	10250	0.0824	-
0.6672	10300	0.0856	-
0.6704	10350	0.0821	-
0.6737	10400	0.0949	-
0.6769	10450	0.0918	-
0.6801	10500	0.0868	-
0.6834	10550	0.0922	-
0.6866	10600	0.0845	-
0.6899	10650	0.0752	-
0.6931	10700	0.0904	-
0.6963	10750	0.0837	-
0.6996	10800	0.0846	-
0.7028	10850	0.0904	-
0.7061	10900	0.0819	-
0.7093	10950	0.0851	-
0.7125	11000	0.0755	-
0.7158	11050	0.0856	-
0.7190	11100	0.0978	-
0.7222	11150	0.0764	-
0.7255	11200	0.0837	-
0.7287	11250	0.0896	-
0.7320	11300	0.0878	-
0.7352	11350	0.0799	-
0.7384	11400	0.0819	-
0.7417	11450	0.0864	-
0.7449	11500	0.085	-
0.7482	11550	0.092	-
0.7514	11600	0.08	-
0.7546	11650	0.0828	-
0.7579	11700	0.078	-
0.7611	11750	0.0787	-
0.7643	11800	0.0818	-
0.7676	11850	0.0872	-
0.7708	11900	0.0857	-
0.7741	11950	0.0891	-
0.7773	12000	0.0731	-
0.7805	12050	0.0881	-
0.7838	12100	0.0735	-
0.7870	12150	0.0825	-
0.7903	12200	0.0799	-
0.7935	12250	0.0783	-
0.7967	12300	0.081	-
0.8000	12350	0.0847	-
0.8032	12400	0.0851	-
0.8065	12450	0.0783	-
0.8097	12500	0.0634	-
0.8129	12550	0.0767	-
0.8162	12600	0.0836	-
0.8194	12650	0.0871	-
0.8226	12700	0.0787	-
0.8259	12750	0.0755	-
0.8291	12800	0.0787	-
0.8324	12850	0.0764	-
0.8356	12900	0.077	-
0.8388	12950	0.0821	-
0.8421	13000	0.0756	-
0.8453	13050	0.0798	-
0.8486	13100	0.0699	-
0.8518	13150	0.0823	-
0.8550	13200	0.0783	-
0.8583	13250	0.078	-
0.8615	13300	0.0742	-
0.8647	13350	0.078	-
0.8680	13400	0.0835	-
0.8712	13450	0.0719	-
0.8745	13500	0.0774	-
0.8777	13550	0.0855	-
0.8809	13600	0.0873	-
0.8842	13650	0.084	-
0.8874	13700	0.0853	-
0.8907	13750	0.0833	-
0.8939	13800	0.0811	-
0.8971	13850	0.0727	-
0.9004	13900	0.0677	-
0.9036	13950	0.0666	-
0.9069	14000	0.0764	-
0.9101	14050	0.0729	-
0.9133	14100	0.0781	-
0.9166	14150	0.0917	-
0.9198	14200	0.0878	-
0.9230	14250	0.0734	-
0.9263	14300	0.0825	-
0.9295	14350	0.0799	-
0.9328	14400	0.0817	-
0.9360	14450	0.0757	-
0.9392	14500	0.0755	-
0.9425	14550	0.062	-
0.9457	14600	0.0829	-
0.9490	14650	0.0718	-
0.9522	14700	0.0776	-
0.9554	14750	0.0744	-
0.9587	14800	0.0881	-
0.9619	14850	0.0813	-
0.9652	14900	0.0673	-
0.9684	14950	0.0819	-
0.9716	15000	0.0566	-
0.9749	15050	0.0849	-
0.9781	15100	0.0736	-
0.9813	15150	0.0661	-
0.9846	15200	0.0731	-
0.9878	15250	0.0779	-
0.9911	15300	0.0723	-
0.9943	15350	0.0606	-
0.9975	15400	0.0801	-
1.0008	15450	0.0675	-
1.0040	15500	0.0743	-
1.0073	15550	0.0655	-
1.0105	15600	0.0594	-
1.0137	15650	0.0642	-
1.0170	15700	0.059	-
1.0202	15750	0.0628	-
1.0234	15800	0.0569	-
1.0267	15850	0.0725	-
1.0299	15900	0.0744	-
1.0332	15950	0.056	-
1.0364	16000	0.0754	-
1.0396	16050	0.0694	-
1.0429	16100	0.057	-
1.0461	16150	0.0706	-
1.0494	16200	0.0675	-
1.0526	16250	0.0679	-
1.0558	16300	0.0745	-
1.0591	16350	0.0539	-
1.0623	16400	0.0708	-
1.0656	16450	0.0629	-
1.0688	16500	0.0699	-
1.0720	16550	0.0706	-
1.0753	16600	0.0717	-
1.0785	16650	0.0676	-
1.0817	16700	0.0619	-
1.0850	16750	0.07	-
1.0882	16800	0.0569	-
1.0915	16850	0.0615	-
1.0947	16900	0.0646	-
1.0979	16950	0.0651	-
1.1012	17000	0.072	-
1.1044	17050	0.0693	-
1.1077	17100	0.0681	-
1.1109	17150	0.0509	-
1.1141	17200	0.0604	-
1.1174	17250	0.0723	-
1.1206	17300	0.0726	-
1.1239	17350	0.062	-
1.1271	17400	0.0608	-
1.1303	17450	0.0649	-
1.1336	17500	0.0631	-
1.1368	17550	0.0623	-
1.1400	17600	0.0707	-
1.1433	17650	0.0708	-
1.1465	17700	0.0736	-
1.1498	17750	0.0674	-
1.1530	17800	0.0759	-
1.1562	17850	0.0614	-
1.1595	17900	0.0626	-
1.1627	17950	0.0741	-
1.1660	18000	0.065	-
1.1692	18050	0.069	-
1.1724	18100	0.0749	-
1.1757	18150	0.0554	-
1.1789	18200	0.068	-
1.1821	18250	0.0676	-
1.1854	18300	0.067	-
1.1886	18350	0.0682	-
1.1919	18400	0.0546	-
1.1951	18450	0.068	-
1.1983	18500	0.0633	-
1.2016	18550	0.0627	-
1.2048	18600	0.0608	-
1.2081	18650	0.0625	-
1.2113	18700	0.0652	-
1.2145	18750	0.0555	-
1.2178	18800	0.0615	-
1.2210	18850	0.0599	-
1.2243	18900	0.0664	-
1.2275	18950	0.0653	-
1.2307	19000	0.0481	-
1.2340	19050	0.055	-
1.2372	19100	0.0681	-
1.2404	19150	0.0589	-
1.2437	19200	0.0774	-
1.2469	19250	0.0624	-
1.2502	19300	0.0609	-
1.2534	19350	0.0545	-
1.2566	19400	0.0546	-
1.2599	19450	0.087	-
1.2631	19500	0.061	-
1.2664	19550	0.068	-
1.2696	19600	0.0708	-
1.2728	19650	0.0651	-
1.2761	19700	0.0713	-
1.2793	19750	0.0646	-
1.2825	19800	0.0559	-
1.2858	19850	0.0486	-
1.2890	19900	0.0583	-
1.2923	19950	0.0549	-
1.2955	20000	0.073	-
1.2987	20050	0.0633	-
1.3020	20100	0.072	-
1.3052	20150	0.0623	-
1.3085	20200	0.0725	-
1.3117	20250	0.0629	-
1.3149	20300	0.0614	-
1.3182	20350	0.0607	-
1.3214	20400	0.0624	-
1.3247	20450	0.0627	-
1.3279	20500	0.0602	-
1.3311	20550	0.062	-
1.3344	20600	0.066	-
1.3376	20650	0.0596	-
1.3408	20700	0.0517	-
1.3441	20750	0.057	-
1.3473	20800	0.0584	-
1.3506	20850	0.0576	-
1.3538	20900	0.0667	-
1.3570	20950	0.0672	-
1.3603	21000	0.0641	-
1.3635	21050	0.0545	-
1.3668	21100	0.0609	-
1.3700	21150	0.0639	-
1.3732	21200	0.0612	-
1.3765	21250	0.0623	-
1.3797	21300	0.0645	-
1.3830	21350	0.0676	-
1.3862	21400	0.0704	-
1.3894	21450	0.0569	-
1.3927	21500	0.066	-
1.3959	21550	0.0632	-
1.3991	21600	0.0682	-
1.4024	21650	0.0694	-
1.4056	21700	0.0713	-
1.4089	21750	0.0508	-
1.4121	21800	0.0613	-
1.4153	21850	0.0512	-
1.4186	21900	0.0481	-
1.4218	21950	0.0578	-
1.4251	22000	0.0553	-
1.4283	22050	0.0599	-
1.4315	22100	0.0626	-
1.4348	22150	0.0577	-
1.4380	22200	0.0611	-
1.4412	22250	0.0579	-
1.4445	22300	0.0678	-
1.4477	22350	0.0627	-
1.4510	22400	0.0582	-
1.4542	22450	0.0613	-
1.4574	22500	0.0584	-
1.4607	22550	0.0586	-
1.4639	22600	0.0589	-
1.4672	22650	0.0535	-
1.4704	22700	0.0526	-
1.4736	22750	0.0599	-
1.4769	22800	0.0549	-
1.4801	22850	0.0598	-
1.4834	22900	0.0584	-
1.4866	22950	0.0657	-
1.4898	23000	0.056	-
1.4931	23050	0.061	-
1.4963	23100	0.0567	-
1.4995	23150	0.0604	-
1.5028	23200	0.053	-
1.5060	23250	0.0577	-
1.5093	23300	0.0552	-
1.5125	23350	0.0675	-
1.5157	23400	0.0698	-
1.5190	23450	0.0577	-
1.5222	23500	0.0518	-
1.5255	23550	0.0552	-
1.5287	23600	0.0606	-
1.5319	23650	0.0598	-
1.5352	23700	0.0586	-
1.5384	23750	0.0562	-
1.5417	23800	0.0571	-
1.5449	23850	0.0525	-
1.5481	23900	0.0619	-
1.5514	23950	0.0558	-
1.5546	24000	0.0651	-
1.5578	24050	0.0595	-
1.5611	24100	0.0669	-
1.5643	24150	0.0576	-
1.5676	24200	0.0498	-
1.5708	24250	0.0613	-
1.5740	24300	0.0544	-
1.5773	24350	0.0566	-
1.5805	24400	0.0613	-
1.5838	24450	0.0597	-
1.5870	24500	0.0525	-
1.5902	24550	0.0537	-
1.5935	24600	0.0613	-
1.5967	24650	0.0446	-
1.5999	24700	0.0597	-
1.6032	24750	0.0601	-
1.6064	24800	0.0521	-
1.6097	24850	0.0584	-
1.6129	24900	0.0591	-
1.6161	24950	0.0593	-
1.6194	25000	0.0562	-
1.6226	25050	0.0586	-
1.6259	25100	0.0593	-
1.6291	25150	0.0615	-
1.6323	25200	0.0492	-
1.6356	25250	0.0573	-
1.6388	25300	0.0631	-
1.6421	25350	0.0444	-
1.6453	25400	0.0587	-
1.6485	25450	0.0601	-
1.6518	25500	0.0565	-
1.6550	25550	0.0654	-
1.6582	25600	0.0558	-
1.6615	25650	0.0537	-
1.6647	25700	0.0504	-
1.6680	25750	0.0549	-
1.6712	25800	0.0517	-
1.6744	25850	0.0621	-
1.6777	25900	0.0468	-
1.6809	25950	0.059	-
1.6842	26000	0.0607	-
1.6874	26050	0.0616	-
1.6906	26100	0.0536	-
1.6939	26150	0.0619	-
1.6971	26200	0.0615	-
1.7003	26250	0.0497	-
1.7036	26300	0.0595	-
1.7068	26350	0.0563	-
1.7101	26400	0.0572	-
1.7133	26450	0.0525	-
1.7165	26500	0.0592	-
1.7198	26550	0.0645	-
1.7230	26600	0.0586	-
1.7263	26650	0.0511	-
1.7295	26700	0.0508	-
1.7327	26750	0.0572	-
1.7360	26800	0.0466	-
1.7392	26850	0.0532	-
1.7425	26900	0.0546	-
1.7457	26950	0.0594	-
1.7489	27000	0.0544	-
1.7522	27050	0.0543	-
1.7554	27100	0.0588	-
1.7586	27150	0.0552	-
1.7619	27200	0.0529	-
1.7651	27250	0.0558	-
1.7684	27300	0.0491	-
1.7716	27350	0.0669	-
1.7748	27400	0.056	-
1.7781	27450	0.0553	-
1.7813	27500	0.0565	-
1.7846	27550	0.063	-
1.7878	27600	0.0548	-
1.7910	27650	0.0541	-
1.7943	27700	0.0469	-
1.7975	27750	0.0493	-
1.8008	27800	0.0644	-
1.8040	27850	0.0557	-
1.8072	27900	0.0582	-
1.8105	27950	0.0517	-
1.8137	28000	0.0564	-
1.8169	28050	0.0591	-
1.8202	28100	0.0545	-
1.8234	28150	0.0486	-
1.8267	28200	0.0568	-
1.8299	28250	0.0461	-
1.8331	28300	0.0622	-
1.8364	28350	0.0499	-
1.8396	28400	0.0634	-
1.8429	28450	0.0584	-
1.8461	28500	0.0648	-
1.8493	28550	0.0628	-
1.8526	28600	0.057	-
1.8558	28650	0.0528	-
1.8590	28700	0.0521	-
1.8623	28750	0.0527	-
1.8655	28800	0.0457	-
1.8688	28850	0.0505	-
1.8720	28900	0.0508	-
1.8752	28950	0.0595	-
1.8785	29000	0.0558	-
1.8817	29050	0.0521	-
1.8850	29100	0.0475	-
1.8882	29150	0.054	-
1.8914	29200	0.0497	-
1.8947	29250	0.0637	-
1.8979	29300	0.0484	-
1.9012	29350	0.0649	-
1.9044	29400	0.0643	-
1.9076	29450	0.0484	-
1.9109	29500	0.0531	-
1.9141	29550	0.0527	-
1.9173	29600	0.0617	-
1.9206	29650	0.0469	-
1.9238	29700	0.0615	-
1.9271	29750	0.055	-
1.9303	29800	0.055	-
1.9335	29850	0.0658	-
1.9368	29900	0.0483	-
1.9400	29950	0.0559	-
1.9433	30000	0.0481	-
1.9465	30050	0.0719	-
1.9497	30100	0.0589	-
1.9530	30150	0.0498	-
1.9562	30200	0.049	-
1.9595	30250	0.0456	-
1.9627	30300	0.0551	-
1.9659	30350	0.0415	-
1.9692	30400	0.0607	-
1.9724	30450	0.0521	-
1.9756	30500	0.0545	-
1.9789	30550	0.0544	-
1.9821	30600	0.0535	-
1.9854	30650	0.0637	-
1.9886	30700	0.0555	-
1.9918	30750	0.0472	-
1.9951	30800	0.0544	-
1.9983	30850	0.0592	-

Framework Versions

Python: 3.12.12
SetFit: 1.1.3
Sentence Transformers: 5.1.2
Transformers: 4.57.1
PyTorch: 2.8.0+cu126
Datasets: 4.0.0
Tokenizers: 0.22.1

Citation

BibTeX

bibtex

@article{https://doi.org/10.48550/arxiv.2209.11055,
    doi = {10.48550/ARXIV.2209.11055},
    url = {https://arxiv.org/abs/2209.11055},
    author = {Tunstall, Lewis and Reimers, Nils and Jo, Unso Eun Seo and Bates, Luke and Korat, Daniel and Wasserblat, Moshe and Pereg, Oren},
    keywords = {Computation and Language (cs.CL), FOS: Computer and information sciences, FOS: Computer and information sciences},
    title = {Efficient Few-Shot Learning Without Prompts},
    publisher = {arXiv},
    year = {2022},
    copyright = {Creative Commons Attribution 4.0 International}
}