vocab-coverage

vocab-coverage

中文语言模型识字率与词向量分布分析

该项目分析了多种语言模型的中文识字率与词向量分布情况,通过字符集分类和词向量空间分布的研究,了解模型在处理中文字符时的认知能力。涵盖了BERT、ERNIE、roBERTa等模型的对比,以及不同字符集的识字判定,为后续的模型评估和改进提供了参考。

语言模型中文认知BERTERNIE词向量Github开源项目

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-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