Github
Huggingface
论文GoLLIE 项目介绍
项目概述
GoLLIE，全称为“Guideline-following Large Language Model for Information Extraction”，是一个大规模语言模型，旨在根据注释指南来执行信息提取任务。GoLLIE在零样本信息提取方面显著优于以往的方法，并允许用户在程序运行期间动态定义注释架构。与之前的模型不同，GoLLIE不仅依赖于其内置知识，还能够遵循详细的定义进行操作。目前，GoLLIE的代码和模型已经在公开平台上提供。
主要功能
GoLLIE的设计使其可以在零样本环境下进行推理，这意味着用户无需提供已标注的数据，便可通过输入详细的注释规范进行信息提取。这种灵活性使得GoLLIE在需要快速响应于不同任务和领域时表现优异。
用户指南
为了充分利用GoLLIE的能力，用户可以遵循以下步骤：
-
安装依赖项: 运行GoLLIE需要安装一系列的软件包，如Pytorch、transformers、PEFT等。
-
使用预训练模型: GoLLIE在不同大小的模型上经过训练（如GoLLIE-7B、GoLLIE-13B和GoLLIE-34B）。这些模型已上传至HuggingFace Hub，供大家使用。
-
自定义任务: 通过GoLLIE的示范Jupyter笔记本，用户可以学习如何定义和运行自定义信息提取任务。
-
生成数据集: 用户可通过配置文件生成GoLLIE所需的数据集，具体操作见项目文档。
-
模型训练与评估: 用户可以根据自己的需求，训练或评估GoLLIE模型。详尽的配置文件和脚本帮助用户简化这一流程。
当前支持的任务
GoLLIE在原有的训练和评估任务之基础上，还能够处理许多未经预见的任务。这种扩展性使得GoLLIE在科研和实际应用领域均有巨大潜力。
数据集生成
GoLLIE使用了一套配置文件来生成所需的数据集。即便有些数据集需要使用许可证才能访问，项目中提供的脚本能够自动下载HuggingFace Datasets库中的可用数据集。
结论
GoLLIE在信息提取领域提供了一种创新的方法，其依据用户规范进行推理的能力，使其在应对快速变化的任务需求时表现突出。通过提供开源工具与详尽的用户指导，GoLLIE为研究者和开发者创造了一个便捷的试验平台。如果有兴趣深入了解或贡献，请随时联系项目组。
