Gliclass Large V1.0 Init

🚀 ⭐ 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，其靈感源自 GLiNER 的研究工作。它在性能上與交叉編碼器相當，但計算效率更高，因為分類僅需一次前向傳播即可完成。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。模型基於合成數據進行訓練，可用於商業應用，且除了初始數據集（MoritzLaurer/synthetic_zeroshot_mixtral_v0.1）外，未在其他任何數據集上進行額外的微調。

🚀 快速開始

安裝

首先，你需要安裝 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-init")
tokenizer = AutoTokenizer.from_pretrained("knowledgator/gliclass-large-v1.0-init")

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，在性能與交叉編碼器相當的情況下，計算效率更高。
• 多任務應用：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。

📦 安裝指南

若要使用 GLiClass，可通過以下命令安裝：

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-large-v1.0-init")
tokenizer = AutoTokenizer.from_pretrained("knowledgator/gliclass-large-v1.0-init")

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，且在零樣本設置下進行測試。

📄 許可證

本項目採用 Apache-2.0 許可證。