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

讯飞智文

讯飞智文

一键生成PPT和Word,让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
讯飞星火

讯飞星火

深度推理能力全新升级,全面对标OpenAI o1

科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。

Trae

Trae

字节跳动发布的AI编程神器IDE

Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
咔片PPT

咔片PPT

AI助力,做PPT更简单!

咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。

讯飞绘文

讯飞绘文

选题、配图、成文,一站式创作,让内容运营更高效

讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
材料星

材料星

专业的AI公文写作平台,公文写作神器

AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。

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。

下拉加载更多