Attribute Ownership Adapter

Это LoRA-адаптер от BradJu для CohereLabs/tiny-aya-global, обученный с AlignTune классифицировать принадлежность атрибута как YES, NO, FIT или UNSURE. Задуман для некоммерческих исследований и воспроизводимой оценки симулированных shopping-workflow; в репозитории только файлы адаптера, без базовых весов.

💪 Ключевые особенности

• 🐾 LoRA-адаптер только для CohereLabs/tiny-aya-global; базовые веса загружаются отдельно.
• 👉 Выход — решение-гейт: YES, NO, FIT или UNSURE, а не автономный выбор инструмента.
• 💸 Сценарий — симулированные покупки: не приписывать товару или продавцу атрибуты без подтверждения.
• 👀 Обучение: 220 вымышленных примеров, только loss по токенам ответа, 180 шагов, lr 2e-4, bf16.
• 😌 Некоммерческое исследование; явные требования к материалу и совместимость — известные слабые места, FIT покрывает только полноту обуви.

😌 Пример

В симулированном workflow из 30 покупок базовая модель набрала 18/30, адаптер — 23/30. Но простое правило из четырёх ключевых фраз даёт 30/30, так что карточка сама называет это проверкой интеграции, а не жёсткого суждения.

Подробнее

👀 Held-out authored cases, 45 полей: accuracy 11/45 → 35/45; false direct attribution 27/40 → 3/40; FIT recall 3/12 → 10/12; UNSURE recall 0/12 → 8/12.
💪 Независимые human-labelled reserve fields, 35 из 14 задач: accuracy 14/35 → 33/35, false direct attribution 19/34 → 0/34; но адаптер ответил NO на всех 35 — как constant-NO baseline, пропустив один YES и один FIT.
💸 Симулированный workflow, 30 покупок: 18/30 → 23/30; правило из четырёх ключевых фраз даёт 30/30.
😐 Нужны gated base, torch 2.8.0, transformers 5.22.1, peft 0.21.2. Только некоммерческое исследование; выход — gate decision, не автономный выбор; явные требования к материалу и совместимость — слабые места, возможен over-rejection; FIT — только полнота обуви; safety и реальные покупки/платежи не тестировались.