Gliclass Base V1.0

🚀 ⭐ GLiClass：通用輕量級序列分類模型

GLiClass 是一款高效的零樣本分類器，其靈感源自 GLiNER 項目。它在性能上與交叉編碼器相當，但計算效率更高，因為分類過程僅需一次前向傳播。

該模型可用於主題分類、情感分析，還能在RAG管道中作為重排器使用。它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

pip install gliclass

初始化模型和管道

from gliclass import GLiClassModel, ZeroShotClassificationPipeline
from transformers import AutoTokenizer

model = GLiClassModel.from_pretrained("knowledgator/gliclass-base-v1.0")
tokenizer = AutoTokenizer.from_pretrained("knowledgator/gliclass-base-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：僅需一次前向傳播即可完成分類，計算效率高。
• 多任務應用：可用於主題分類、情感分析和 RAG 管道重排。
• 商業可用：基於合成數據訓練，可用於商業應用。

📦 安裝指南

安裝 GLiClass 庫的命令如下：

pip install gliclass

💻 使用示例

基礎用法

from gliclass import GLiClassModel, ZeroShotClassificationPipeline
from transformers import AutoTokenizer

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

📚 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。

與其他 GLiClass 模型的比較

提供更多示例時模型性能的提升

📄 許可證

本項目採用 Apache-2.0 許可證。