懂AI

TencentPretrain: 腾讯开源的多模态预训练框架

RayRay
TencentPretrain预训练多模态模型库下游任务Github开源项目

TencentPretrain

TencentPretrain: 腾讯开源的多模态预训练框架

预训练已成为人工智能技术的重要组成部分。腾讯近日开源了一个名为TencentPretrain的预训练框架,该框架支持对不同模态(如文本、图像、音频等)的数据进行预训练和微调。TencentPretrain的一大特色是其模块化设计,这不仅方便用户使用现有的预训练模型,还为用户进一步扩展提供了接口。通过TencentPretrain,腾讯构建了一个包含不同属性预训练模型的模型库。

框架特点

TencentPretrain具有以下几个主要特点:

  1. 可复现性:TencentPretrain在多个数据集上进行了测试,其性能可以与BERT、GPT-2、ELMo、T5、CLIP等原始预训练模型实现相匹配。

  2. 模块化设计:TencentPretrain将预训练模型划分为嵌入层、编码器、目标嵌入层(可选)、解码器(可选)和目标层五个部分。每个部分都实现了丰富的模块。清晰而稳健的接口允许用户以尽可能少的限制组合模块来构建预训练模型。

  3. 多模态支持:TencentPretrain支持文本、视觉、音频等不同模态。

  4. 模型训练:TencentPretrain支持CPU模式、单GPU模式、分布式训练模式,以及使用DeepSpeed进行超大规模模型训练。

  5. 模型库:借助TencentPretrain,腾讯预训练并发布了具有不同属性的模型。合理选择预训练模型对下游任务的性能至关重要。

  6. SOTA结果:TencentPretrain支持全面的下游任务(如分类和机器阅读理解),并提供了许多竞赛的获胜解决方案。

  7. 丰富功能:TencentPretrain提供了与预训练相关的丰富功能,如特征提取器和文本生成。

快速上手

TencentPretrain的使用非常简单。以BERT模型在图书评论情感分类数据集上的预训练和微调为例,主要步骤包括:

  1. 数据预处理:使用preprocess.py将原始语料转换为模型所需的格式。

  2. 预训练:使用pretrain.py加载预训练模型并在图书评论语料上继续预训练。

  3. 微调:使用finetune/run_classifier.py在下游分类任务上微调预训练模型。

  4. 推理:使用inference/run_classifier_infer.py用微调后的模型进行预测。

预训练数据与下游数据集

TencentPretrain提供了丰富的预训练数据和下游任务数据集,涵盖了文本、图像、音频等多个模态。用户可以直接使用这些数据进行模型训练和评估。

模型库

借助TencentPretrain,腾讯预训练了不同属性的模型(如基于不同模态、编码器和目标的模型)。用户可以在modelzoo中找到这些预训练模型的详细介绍和下载链接。所有预训练模型都可以直接被TencentPretrain加载。

应用案例

TencentPretrain已在多个竞赛中取得了优异成绩。例如,在CLUE(中文语言理解测评基准)等比赛中,基于TencentPretrain的解决方案取得了SOTA结果。这充分展示了TencentPretrain在实际应用中的强大性能。

开源贡献

TencentPretrain是一个开源项目,欢迎社区贡献。如果您在学术工作中使用了TencentPretrain(例如使用了其中的预训练模型),请引用其在ACL 2023上发表的系统论文。

总的来说,TencentPretrain为研究人员和开发者提供了一个强大而灵活的多模态预训练工具,有望推动预训练模型在更多领域的应用和创新。随着AI技术的不断发展,像TencentPretrain这样的开源框架将在促进技术进步和知识共享方面发挥越来越重要的作用。

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器，提供智能录入、自动公式、数据整理、图表生成等功能，高效处理 Excel 任务，提升办公效率。支持自动高亮数据、批量计算、不规则数据录入，适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用，可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用，基于 UI-TARS（视觉语言模型）构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能，支持跨平台使用（Windows/MacOS），能提供实时反馈和状态显示，且数据完全本地处理，保障隐私安全。该应用集成了多种大语言模型和搜索方式，还可进行文件系统操作。适用于需要智能交互和自动化任务的场景，如信息检索、文件管理等。其提供了详细的文档，包括快速启动、部署、贡献指南和 SDK 使用说明等，方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目，支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项，可调整分辨率、扩散步数等参数，还能对提示词进行增强。使用了多种先进技术和工具，在视频和图像生成领域具有广泛应用前景，适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具，助力用户轻松创作高颜值图表

爱图表（aitubiao.com）就是AI图表，是由镝数科技推出的一款创新型智能数据可视化平台，专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型，爱图表结合强大的数据处理能力与智能化功能，致力于帮助职场人士高效处理和表达数据，提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型，支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型，支持图像和视频输入，可用于多种场景，如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式，还包含了视觉处理工具，有助于开发者快速集成和使用，提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力，支持多种分辨率和视频长度选择，能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法，可灵活调整生成参数，满足不同场景的需求，是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI，支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目，它集成了多种大型语言模型，支持自定义浏览器使用，具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务，无论是数据提取、网页导航还是表单填写等操作都能高效实现，有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用，在 SEO 优化方面，其关键词涵盖浏览器使用、WebUI、大型语言模型集成等，有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目，支持多种网络连接与协议，实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目，专注于人工智能语音交互领域。项目涵盖了丰富的功能，如网络连接、OTA 升级、设备激活等，同时支持多种语言。无论是开发爱好者还是专业开发者，都能借助该项目快速搭建起高效的 AI 语音交互系统，为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目，支持多种模型和服务器进行 PDF 到 Markdown 的转换，并提供测试和报告功能。

olmocr 是一个专注于光学字符识别（OCR）的 Python 项目，由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器，如 vllm、sglang、OpenAI 等，可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能，方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域，有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型，提供 AI 自动化解决方案，支持批量写作、数据分析、跨模态处理等功能，适用于电商、短视频、影视创作等场景，提升企业生产力与创作效率。关键词：飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多