LayaLink
компактная модель для связывания сущностей и онтологий
2 мин чтенияобновлено
LayaLink — специализированная модель от автора sensein для сопоставления терминов из текста с базами знаний и выравнивания онтологий (формальных словарей понятий и связей между ними). Она построена на базе convaiinnovations/laya, имеет размер всего 0.42B параметров и работает через библиотеку laya. Модель не ищет кандидатов по базе сама, а выступает точным арбитром: получает на вход термин с контекстом и список вариантов, после чего возвращает структурированное решение с оценкой уверенности. Пригодится разработчикам NLP-пайплайнов, графов знаний и систем извлечения данных, особенно в биомедицине и работе со справочниками.
Ключевые особенности
- Три специализированные задачи: поддерживает выравнивание онтологий (
ontology_alignment), проверку одного кандидата в контексте (entity_linking) и выбор лучшего варианта из списка (concept_selection). - Типизированные ответы с вероятностями: возвращает не просто текст, а конкретный класс (например,
equivalent,source_narrower,matchилиnone), бинарное решение и распределение вероятностей по всем вариантам. - Лёгкий вес и пакетная обработка: благодаря объёму 0.42B модель запускается на GPU (
cuda), Apple Silicon (mps) и даже наcpu, а методpredict_batchпозволяет обрабатывать десятки примеров за один проход. - Честный отказ при нехватке данных: модель обучена выбирать
insufficientилиnone, если контекста недостаточно или ни один из предложенных терминов не подходит.
Что можно сделать
- Разметка медицинских и научных текстов: связывать упоминания генов, белков, болезней и препаратов с классификаторами вроде MeSH, Disease Ontology или NCI Thesaurus.
- Объединение разных справочников и каталогов: автоматически определять, совпадают ли два термина из разных баз данных полностью или один является подклассом другого.
- Реранкинг кандидатов в RAG и графах знаний: использовать модель вторым этапом после векторного поиска, чтобы отфильтровать ложные совпадения с учётом контекста предложения.
Пример
import laya
agent = laya.Agent("sensein/layalink", device="cuda")
result = agent.predict(state, questions)
# Для пакетной обработки нескольких примеров сразу:
results = agent.predict_batch([state_1, state_2], questions, batch_size=64)
Подробнее
Общая точность (Accuracy) на объединённом тестовом наборе (25 254 решения): 0.9647 (ECE 0.0339, Brier 0.0420).На бенчмарках bioml2026 и mappings точность выравнивания онтологий достигает 0.939–0.974 (Macro-F1 до 0.961).
Ограничение: требует точных формулировок инструкций и критериев (
instructions и criteria), на которых проходило обучение.Требует Python 3.10+ и библиотеку
laya; при зависании загрузки из-за установленного TensorFlow рекомендуется задать USE_TF=0.









Комментарии