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

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

TRELLIS

TRELLIS

用于可扩展和多功能 3D 生成的结构化 3D 潜在表示

TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。

ai-agents-for-beginners

ai-agents-for-beginners

10 节课教你开启构建 AI 代理所需的一切知识

AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。

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。

下拉加载更多