SemViQA/infoxlm-large-viwikifc

Model Description

• Developed by: SemViQA Research Team
• Fine-tuned model: InfoXLM
• Supported Language: Vietnamese
• Task: Extractive QA, Evidence Extraction
• Dataset: ViWikiFC

This model is fine-tuned on InfoXLM to evaluate its performance in comparison to our proposed approaches for Vietnamese fact-checking tasks.

Using pre-trained model

Direct Model Usage

from transformers import AutoTokenizer, AutoModelForQuestionAnswering
import torch 

tokenizer = AutoTokenizer.from_pretrained("SemViQA/infoxlm-large-viwikifc")
model = AutoModelForQuestionAnswering.from_pretrained("SemViQA/infoxlm-large-viwikifc")
claim = "Chiến tranh với Campuchia đã kết thúc trước khi Việt Nam thống nhất."
context = "Sau khi thống nhất, Việt Nam tiếp tục gặp khó khăn do sự sụp đổ và tan rã của đồng minh Liên Xô cùng Khối phía Đông, các lệnh cấm vận của Hoa Kỳ, chiến tranh với Campuchia, biên giới giáp Trung Quốc và hậu quả của chính sách bao cấp sau nhiều năm áp dụng. Năm 1986, Đảng Cộng sản ban hành cải cách đổi mới, tạo điều kiện hình thành kinh tế thị trường và hội nhập sâu rộng. Cải cách đổi mới kết hợp cùng quy mô dân số lớn đưa Việt Nam trở thành một trong những nước đang phát triển có tốc độ tăng trưởng thuộc nhóm nhanh nhất thế giới, được coi là Hổ mới châu Á dù cho vẫn gặp phải những thách thức như tham nhũng, tội phạm gia tăng, ô nhiễm môi trường và phúc lợi xã hội chưa đầy đủ. Ngoài ra, giới bất đồng chính kiến, chính phủ một số nước phương Tây và các tổ chức theo dõi nhân quyền có quan điểm chỉ trích hồ sơ nhân quyền của Việt Nam liên quan đến các vấn đề tôn giáo, kiểm duyệt truyền thông, hạn chế hoạt động ủng hộ nhân quyền cùng các quyền tự do dân sự."

inputs = tokenizer(claim, context, return_tensors="pt", truncation=True, max_length=512)

with torch.no_grad():
    outputs = model(**inputs)
 
start_logits = outputs.start_logits
end_logits = outputs.end_logits
 
start_idx = torch.argmax(start_logits)
end_idx = torch.argmax(end_logits)
 
tokens = inputs["input_ids"][0][start_idx : end_idx + 1]
evidence = tokenizer.decode(tokens, skip_special_tokens=True)
print(evidence)
# evidence: 

Evaluation Results

We evaluate the model's performance in the QA-based approaches section without handling token lengths exceeding 512.

Method		ViWikiFC
ER	VC	Strict Acc	VC Acc	ER Acc	Time (s)
TF-IDF	InfoXLMlarge	75.56	82.21	90.15	131
	XLM-Rlarge	76.47	82.78	90.15	134
	Ernie-Mlarge	75.56	81.83	90.15	144
BM25	InfoXLMlarge	70.44	79.01	83.50	130
	XLM-Rlarge	70.97	78.91	83.50	132
	Ernie-Mlarge	70.21	78.29	83.50	141
SBert	InfoXLMlarge	74.99	81.59	89.72	195
	XLM-Rlarge	75.80	82.35	89.72	194
	Ernie-Mlarge	75.13	81.44	89.72	203
QA-based approaches	VC
ViMRClarge	InfoXLMlarge	77.28	81.97	92.49	3778
	XLM-Rlarge	78.29	82.83	92.49	3824
	Ernie-Mlarge	77.38	81.92	92.49	3785
InfoXLMlarge	InfoXLMlarge	78.14	82.07	93.45	4092
	XLM-Rlarge	79.20	83.07	93.45	4096
	Ernie-Mlarge	78.24	82.21	93.45	4102
LLM
Qwen2.5-1.5B-Instruct		51.03	65.18	78.96	7665
Qwen2.5-3B-Instruct		44.38	62.31	71.35	12123
LLM	VC
Qwen2.5-1.5B-Instruct	InfoXLMlarge	66.14	76.47	78.96	7788
	XLM-Rlarge	67.67	78.10	78.96	7789
	Ernie-Mlarge	66.52	76.52	78.96	7794
Qwen2.5-3B-Instruct	InfoXLMlarge	59.88	72.50	71.35	12246
	XLM-Rlarge	60.74	73.08	71.35	12246
	Ernie-Mlarge	60.02	72.21	71.35	12251
SER Faster (ours)	TVC (ours)
TF-IDF + ViMRClarge	Ernie-Mlarge	79.44	82.93	94.60	410
TF-IDF + InfoXLMlarge	Ernie-Mlarge	79.77	83.07	95.03	487
SER (ours)	TVC (ours)
TF-IDF + ViMRClarge	InfoXLMlarge	80.25	83.84	94.69	2731
	XLM-Rlarge	80.34	83.64	94.69	2733
	Ernie-Mlarge	79.53	82.97	94.69	2733
TF-IDF + InfoXLMlarge	InfoXLMlarge	80.68	83.98	95.31	3860
	XLM-Rlarge	80.82	83.88	95.31	3843
	Ernie-Mlarge	80.06	83.17	95.31	3891

About

Built by Dien X. Tran For more details, visit the project repository.