Gliclass Base V1.0 Lw

🚀 ⭐ GLiClass：用于序列分类的通用轻量级模型

GLiClass是一款高效的零样本分类器，其灵感源自 GLiNER 项目。它在性能上与交叉编码器相当，但计算效率更高，因为分类过程只需一次前向传播。

该模型可用于主题分类、情感分析，还能在RAG管道中作为重排器使用。它基于合成数据进行训练，可用于商业应用。此版本的模型采用了逐层特征选择技术，能更好地理解语言的不同层次。

🚀 快速开始

安装GLiClass库

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

• 高效零样本分类：在零样本设置下表现出色，无需针对特定任务进行微调。
• 多领域应用：可用于主题分类、情感分析和RAG管道中的重排。
• 轻量级设计：不同规模的模型可供选择，满足不同计算资源需求。
• 逐层特征选择：更好地理解语言的不同层次，提升分类性能。

📦 安装指南

要使用GLiClass，你需要安装相应的库。可以使用以下命令进行安装：

pip install gliclass

💻 使用示例

基础用法

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"])

📚 详细文档

基准测试

以下是几个文本分类数据集上的F1分数。所有测试模型均未在这些数据集上进行微调，而是在零样本设置下进行测试。

不同GLiClass模型对比

更多示例对性能的影响

📄 许可证

本项目采用Apache 2.0许可证。