Refuel AI 推出专为数据标注和清洗设计的开源语言模型 RefuelLLM-2

在文档处理中，特别是在视觉丰富的文档中，高效信息提取的需求变得越来越关键。VRDs，如发票、水电费单和保险报价，在业务工作流中随处可见，通常以不同的布局和格式呈现类

5月13日 消息:Refuel AI 最近宣布推出两个新版本的大型语言模型（LLM），和 RefuelLLM-2-small，这两个模型专为数据标注、清洗和丰富任务而设计，旨在提高处理大规模数据集的效率。

RefuelLLM-2的主要特点包括:

自动化数据标注:能够自动识别和标记数据中的关键信息，如分类数据和解析特定属性。

数据清洗:自动检测并修正数据中的错误或不一致性，例如拼写错误和格式问题。

数据丰富:根据现有数据自动补充缺失信息或提供额外上下文，增加数据的价值和可用性。

高准确率:在约30项数据标注任务的基准测试中，RefuelLLM-2以83.82%的准确率优于所有其他最先进的大型语言模型，包括 GPT-4-Turbo 和 Claude-3-Opus。

两款模型的比较:

RefuelLLM-2:基于 Mixtral-8x7B 模型，支持高达32K的最大输入上下文长度，适合处理长文本输入。

RefuelLLM-2-small:基于 Llama3-8B 模型，提供一个成本更低、运行更快的选项，同时保持高性能，支持高达8K的输入上下文长度。

训练细节:

两款模型都在超过2750个数据集上进行训练，涵盖分类、阅读理解、结构化属性提取和实体解析等任务。

训练方法:包括两个阶段，第一阶段专注于指令调整训练，第二阶段则加入更长上下文的输入，以提高模型在复杂数据处理任务中的表现。

性能提升:

质量评估:

在长上下文数据集和非公开数据集的评估中，RefuelLLM-2和 RefuelLLM-2-small 均展现出良好的性能和泛化能力。

在置信度分数质量方面，RefuelLLM-2和 RefuelLLM-2-small 显示出比其他模型更好的置信度分数校准。

Refuel AI 的这一创新为数据标注和清洗领域带来了新的解决方案，有助于自动化和优化大规模数据处理流程。

playground:https://labs.refuel.ai/playground

模型下载:https://huggingface.co/refuelai/Llama-3-Refueled