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
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。
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
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
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
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 ×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。
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