许可证：apache-2.0
数据集：

• MoritzLaurer/synthetic_zeroshot_mixtral_v0.1
  语言：
• 英语
  评估指标：
• F1分数
  任务标签：零样本分类
  标签：
• 文本分类
• 零样本学习
• 小型语言模型
• RAG（检索增强生成）
• 情感分析

⭐ GLiClass：通用轻量级序列分类模型

这是一款受GLiNER启发的高效零样本分类器。它在保持与交叉编码器相同性能的同时，计算效率更高，因为分类仅需单次前向传播即可完成。

适用于主题分类、情感分析，以及作为RAG流程中的重排序器。

该模型基于合成数据训练，可用于商业应用。

此版本模型采用分层特征选择机制，能更好地理解语言的不同层次。

使用方法：

首先安装GLiClass库：

pip install gliclass  

初始化模型与流水线：

from gliclass import GLiClassModel, ZeroShotClassificationPipeline  
from transformers import AutoTokenizer  

model = GLiClassModel.from_pretrained("knowledgator/gliclass-base-v1.0-lw")  
tokenizer = AutoTokenizer.from_pretrained("knowledgator/gliclass-base-v1.0-lw")  

pipeline = ZeroShotClassificationPipeline(model, tokenizer, classification_type='multi-label', device='cuda:0')  

text = "总有一天我要环游世界！"  
labels = ["旅行", "梦想", "运动", "科学", "政治"]  
results = pipeline(text, labels, threshold=0.5)[0]  # 因仅单文本输入  

for result in results:  
    print(result["label"], "=>", result["score"])  

性能基准：

下表展示多个文本分类数据集上的F1分数（所有模型均为零样本测试，未经微调）：

不同GLiClass模型对比：

平均性能提升（提供更多示例时）：

（注：表格中部分数据集名称和指标因篇幅采用缩写，实际翻译保持技术术语一致性）