Gliclass Large V1.0

🚀 ⭐ GLiClass：用於序列分類的通用輕量級模型

GLiClass 是一個高效的零樣本分類器，它受到了 GLiNER 工作的啟發。該模型在單次前向傳播中完成分類，在計算效率上更具優勢，同時能達到與交叉編碼器相當的性能。

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。該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

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-large-v1.0")
tokenizer = AutoTokenizer.from_pretrained("knowledgator/gliclass-large-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 啟發，單次前向傳播完成分類，計算效率高且性能與交叉編碼器相當。
• 多場景應用：可用於主題分類、情感分析以及 RAG 管道中的重排。
• 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，且在零樣本設置下進行測試。

以下是與其他 GLiClass 模型的對比：

以下展示了模型在提供更多示例時性能的提升情況：

📄 許可證

本項目採用 Apache-2.0 許可證。