Gliclass Base V1.0 Lw

🚀 ⭐ 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，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，因為分類過程只需一次前向傳播。

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。此版本的模型採用了逐層特徵選擇技術，能更好地理解語言的不同層次。

🚀 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-lw")
tokenizer = AutoTokenizer.from_pretrained("knowledgator/gliclass-base-v1.0-lw")

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：在零樣本設置下表現出色，無需針對特定任務進行微調。
• 多領域應用：可用於主題分類、情感分析和RAG管道中的重排。
• 輕量級設計：不同規模的模型可供選擇，滿足不同計算資源需求。
• 逐層特徵選擇：更好地理解語言的不同層次，提升分類性能。

📦 安裝指南

要使用GLiClass，你需要安裝相應的庫。可以使用以下命令進行安裝：

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-lw")
tokenizer = AutoTokenizer.from_pretrained("knowledgator/gliclass-base-v1.0-lw")

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

更多示例對性能的影響

📄 許可證

本項目採用Apache 2.0許可證。