pixel

pixel

像素编码语言模型,无需固定词汇表实现多语言处理

PIXEL是一个将文本渲染为图像进行语言处理的模型,消除了固定词汇表的需求。在同样的数据上,PIXEL在非拉丁脚本的语法和语义处理上优于BERT。PIXEL由文本渲染器、编码器和解码器组成,采用ViT-MAE技术实现图像级语言模型。用户可以通过Gradio演示体验PIXEL,并查看预训练和微调指南。未来将提供渲染指南、优化模型及HuggingFace transformers的集成。

PIXEL语言模型图像编码BERTVision TransformerGithub开源项目

PIXEL 项目介绍

PIXEL 是一个创新的语言模型项目,名为基于像素的语言编码器(PixEl-based Language Encoder)。与传统的语言模型不同,PIXEL 可将文本渲染为图像,从而完全消除对固定词汇表的依赖。这样一来,它能够方便地适用于任何能够在计算机屏幕上呈现的语言和文字。

项目背景

PIXEL 的设计目的在于解决跨语言和跨文字的处理问题。在项目实施过程中,团队首先在英语维基百科和图书语料库中预训练了一个单语种 PIXEL 模型,总共处理了约32亿个单词的数据,此数据集与 BERT 相同。研究结果表明,PIXEL 在处理不属于预训练数据系统中的词法和句法任务时,相较于 BERT 展示了优越的表现,但在处理拉丁字母表任务时稍逊于 BERT。

技术细节

PIXEL 模型由三个主要组件构成:

  1. 文本渲染器:将文本绘制为图像。
  2. 编码器:对渲染图像中未被遮蔽的区域进行编码。
  3. 解码器:在像素级重建被遮蔽的区域。

PIXEL 的设计基础是 Vision Transformer-MAE(ViT-MAE)。在预训练阶段,渲染器将训练中的句子转变为图像。这些图像会被划分为小块,并投影生成对应的嵌入。模型会将其中25%的图像块遮蔽起来,之后编码器仅处理未遮蔽的部分。而解码器则通过插入可学习的遮罩标记,对编码器的输出进行重构。

经过预训练后,解码器则可被丢弃,仅使用包含8600万个参数的编码器。其上可以叠加特定任务的分类器,从而在不同实际应用中达到目标。

项目演示与未来计划

用户可以通过 Gradio 演示平台体验 PIXEL 的文本重建功能。未来计划包括发布渲染指南、微调模型以提升鲁棒性,并将其集成到 HuggingFace 的 Transformers 框架中。

安装与设置

PIXEL 的代码库基于 Transformers 框架,并受 ViT-MAE 项目的启发。用户可以按照以下步骤设置环境并安装相关工具,以便开始使用 PIXEL 模型:

  1. 克隆项目库并初始化子模块。
  2. 创建并激活新的 Conda 环境。
  3. 安装必要的 Python 软件包。
  4. (可选)安装 Nvidia Apex 以提高性能。
  5. 使用越南语词性标注任务验证安装是否正确。

训练与微调

详细的预训练和微调说明可在项目的文档中找到。我们提供了各种自然语言处理任务的效果评估数据,包括普遍依存关系任务、MasakhaNER 和 GLUE 验证集等。

项目引用与联系信息

若对于 PIXEL 项目有疑问或需要反馈,用户可以通过 GitHub 提交问题或发送邮件至负责联系人的邮箱。项目论文《Language Modelling with Pixels》于第十一届国际学习表现会议中发表,若使用相关代码或技术,请参照提供的引用格式进行引用。

编辑推荐精选

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。

HunyuanVideo

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

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

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

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

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。

下拉加载更多