Gliclass Large V1.0 Init

🚀 ⭐ GLiClass：用于序列分类的通用轻量级模型

GLiClass 是一个高效的零样本分类器，其灵感源自 GLiNER 的研究工作。它在性能上与交叉编码器相当，但计算效率更高，因为分类仅需一次前向传播即可完成。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。模型基于合成数据进行训练，可用于商业应用，且除了初始数据集（MoritzLaurer/synthetic_zeroshot_mixtral_v0.1）外，未在其他任何数据集上进行额外的微调。

🚀 快速开始

安装

首先，你需要安装 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-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

• 高效零样本分类：受 GLiNER 启发，在性能与交叉编码器相当的情况下，计算效率更高。
• 多任务应用：可用于主题分类、情感分析以及 RAG 管道中的重排。
• 合成数据训练：基于合成数据训练，可用于商业应用。

📦 安装指南

若要使用 GLiClass，可通过以下命令安装：

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-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"])

📚 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，且在零样本设置下进行测试。

📄 许可证

本项目采用 Apache-2.0 许可证。