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

博思AIPPT

博思AIPPT

AI一键生成PPT,就用博思AIPPT!

博思AIPPT,新一代的AI生成PPT平台,支持智能生成PPT、AI美化PPT、文本&链接生成PPT、导入Word/PDF/Markdown文档生成PPT等,内置海量精美PPT模板,涵盖商务、教育、科技等不同风格,同时针对每个页面提供多种版式,一键自适应切换,完美适配各种办公场景。

AI办公办公工具AI工具博思AIPPTAI生成PPT智能排版海量精品模板AI创作热门
潮际好麦

潮际好麦

AI赋能电商视觉革命,一站式智能商拍平台

潮际好麦深耕服装行业,是国内AI试衣效果最好的软件。使用先进AIGC能力为电商卖家批量提供优质的、低成本的商拍图。合作品牌有Shein、Lazada、安踏、百丽等65个国内外头部品牌,以及国内10万+淘宝、天猫、京东等主流平台的品牌商家,为卖家节省将近85%的出图成本,提升约3倍出图效率,让品牌能够快速上架。

iTerms

iTerms

企业专属的AI法律顾问

iTerms是法大大集团旗下法律子品牌,基于最先进的大语言模型(LLM)、专业的法律知识库和强大的智能体架构,帮助企业扫清合规障碍,筑牢风控防线,成为您企业专属的AI法律顾问。

SimilarWeb流量提升

SimilarWeb流量提升

稳定高效的流量提升解决方案,助力品牌曝光

稳定高效的流量提升解决方案,助力品牌曝光

Sora2视频免费生成

Sora2视频免费生成

最新版Sora2模型免费使用,一键生成无水印视频

最新版Sora2模型免费使用,一键生成无水印视频

Transly

Transly

实时语音翻译/同声传译工具

Transly是一个多场景的AI大语言模型驱动的同声传译、专业翻译助手,它拥有超精准的音频识别翻译能力,几乎零延迟的使用体验和支持多国语言可以让你带它走遍全球,无论你是留学生、商务人士、韩剧美剧爱好者,还是出国游玩、多国会议、跨国追星等等,都可以满足你所有需要同传的场景需求,线上线下通用,扫除语言障碍,让全世界的语言交流不再有国界。

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
TRAE编程

TRAE编程

AI辅助编程,代码自动修复

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
商汤小浣熊

商汤小浣熊

最强AI数据分析助手

小浣熊家族Raccoon,您的AI智能助手,致力于通过先进的人工智能技术,为用户提供高效、便捷的智能服务。无论是日常咨询还是专业问题解答,小浣熊都能以快速、准确的响应满足您的需求,让您的生活更加智能便捷。

imini AI

imini AI

像人一样思考的AI智能体

imini 是一款超级AI智能体,能根据人类指令,自主思考、自主完成、并且交付结果的AI智能体。

下拉加载更多