vocab-coverage 项目介绍
项目简介
vocab-coverage 是一个专注于分析语言模型中文认知能力的项目。该项目通过多种方法和角度，评价各种语言模型在中文语言处理方面的能力，包括汉字识别率分析、词向量分布分析等。项目还提供了一系列命令行工具，方便开发者进行模型词汇覆盖率的自动化分析。
汉字识别率分析
字符集
项目基于三个字符集来分析模型的汉字识别率：
- 《通用规范汉字表》：由中国教育部颁布，包含 8105 个常用汉字。
- 《常用國字標準字體表》：由台湾研制，包含 4808 个常用汉字。
- 《Unicode中日韩统一表意文字》：涵盖汉字在 Unicode 中的基本区段，总共收录 20992 个汉字。
这三个字符集的组合为本项目提供了一个总计 21267 个汉字的分析基础，通过分析这三个字符集中汉字的识别率，我们可以了解不同语言模型对中文字符的理解。
识字判定
为了判断一个模型是否能够识别特定汉字，项目分析了模型的分词器（Tokenizer）如何处理这些汉字。通常有两种方式：
- WordPiece编码：如果一个汉字不在词表中，通常被标记为未知词，这代表模型无法识别该汉字。
- Byte-level BPE编码：可能将汉字拆分为多个 token，这样的模型理论上可以识别所有汉字，但实际上可能会影响语义理解的精度。
在词表中存在的汉字被直接编码为单一 token 的视为识别，无法以这种方式处理的即为未识别。
词向量分布分析
词向量分析帮助了解模型对词义的理解深浅。通过高维空间的向量分布图，我们可以可视化模型在理解汉字和词义时的表现。
字词的分类与后缀子词
项目将模型词表中的词按照语言、用途进行分类，包括「中文」、「日文」、「韩文」、「数字」和「其他」。此外还有「普通词」和「后缀子词」的区分。这种分类帮助我们更深入地分析模型在不同语言环境下的表现。
输入与输出端词向量
模型的输入端词向量代表初始语义，而输出端词向量则展示经过模型计算后的最终语义。通过观察这两者的区别，可以了解模型对汉字语义的进一步理解。
分析观察
项目分析了许多语言模型，如 BERT 类模型、ERNIE 模型以及 OpenAI 提供的模型等。在这些模型中，通过对比其词向量分布和汉字覆盖率，能看出不同模型在处理中文时的差异与特点。例如，某些模型在训练初期词表中就包含了大量汉字，具备更好的中文识别能力，而其它模型即便经过微调，中文理解依旧具有不足。
命令行工具 vocab-coverage 使用指南
安装与使用
项目提供了方便使用的命令行工具 vocab-coverage，它含有三个子命令：
charset：分析模型的字符集覆盖率。coverage：评估词汇覆盖情况。embedding：分析输入和输出端的词向量分布。
这些工具均能帮助开发者深入分析模型的词汇处理能力。
vocab-coverage 项目通过上述多种分析手段，帮助研究人员和开发者更好地理解和优化中文语言模型，为进一步提升模型的中文认知能力提供了有力支持。
编辑推荐精选
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
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
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
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
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
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
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
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
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
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。
推荐工具精选
AI云服务特惠
懂AI专属折扣关注微信公众号
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号