Gliclass Small V1.0

🚀 ⭐ GLiClass：用於序列分類的通用輕量級模型

GLiClass 是一款高效的零樣本分類器，它受到了 GLiNER 工作的啟發。該模型在性能上與交叉編碼器相當，但在計算效率上更具優勢，因為它只需一次前向傳播即可完成分類。

它可用於主題分類、情感分析，還能在檢索增強生成（RAG）管道中作為重排器使用。

此模型基於合成數據進行訓練，可用於商業應用。

🚀 快速開始

安裝GLiClass庫

首先，你需要安裝 GLiClass 庫：

pip install gliclass

初始化模型和管道

接著，你需要初始化一個模型和一個管道：

from gliclass import GLiClassModel, ZeroShotClassificationPipeline
from transformers import AutoTokenizer

model = GLiClassModel.from_pretrained("knowledgator/gliclass-small-v1.0")
tokenizer = AutoTokenizer.from_pretrained("knowledgator/gliclass-small-v1.0")

pipeline = ZeroShotClassificationPipeline(model, tokenizer, classification_type='multi-label', device='cuda:0')

text = "One day I will see the world!"
labels = ["travel", "dreams", "sport", "science", "politics"]
results = pipeline(text, labels, threshold=0.5)[0] #because we have one text

for result in results:
 print(result["label"], "=>", result["score"])

✨ 主要特性

• 高效零樣本分類：受 GLiNER 工作啟發，在性能與交叉編碼器相當的情況下，計算效率更高，一次前向傳播即可完成分類。
• 多場景應用：可用於主題分類、情感分析，也能在RAG管道中作為重排器。
• 合成數據訓練：基於合成數據訓練，可用於商業應用。

📚 詳細文檔

基準測試

以下是該模型在幾個文本分類數據集上的 F1 分數。所有測試模型均未在這些數據集上進行微調，而是在零樣本設置下進行測試。

不同GLiClass模型對比

以下是不同 GLiClass 模型的對比情況：

更多示例對模型性能的影響

以下展示了隨著示例數量的增加，模型性能的變化情況：

📄 許可證

本項目採用 Apache-2.0 許可證。