Gliclass Small V1.0

🚀 ⭐ 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，它受到了 GLiNER 工作的启发。该模型在性能上与交叉编码器相当，但在计算效率上更具优势，因为它只需一次前向传播即可完成分类。

它可用于主题分类、情感分析，还能在检索增强生成（RAG）管道中作为重排器使用。

此模型基于合成数据进行训练，可用于商业应用。

🚀 快速开始

安装GLiClass库

首先，你需要安装 GLiClass 库：

pip install gliclass

初始化模型和管道

接着，你需要初始化一个模型和一个管道：

from gliclass import GLiClassModel, ZeroShotClassificationPipeline
from transformers import AutoTokenizer

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

• 高效零样本分类：受 GLiNER 工作启发，在性能与交叉编码器相当的情况下，计算效率更高，一次前向传播即可完成分类。
• 多场景应用：可用于主题分类、情感分析，也能在RAG管道中作为重排器。
• 合成数据训练：基于合成数据训练，可用于商业应用。

📚 详细文档

基准测试

以下是该模型在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

以下是不同 GLiClass 模型的对比情况：

更多示例对模型性能的影响

以下展示了随着示例数量的增加，模型性能的变化情况：

📄 许可证

本项目采用 Apache-2.0 许可证。