license: apache-2.0 datasets:

• MoritzLaurer/synthetic_zeroshot_mixtral_v0.1 language:
• en metrics:
• f1 pipeline_tag: zero-shot-classification tags:
• 文本分类
• 零样本学习
• 小型语言模型
• 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同等性能的同时，通过单次前向传播完成分类，具有更高的计算效率。

该模型适用于主题分类、情感分析，并可作为RAG流程中的重排序器使用。基于合成数据训练，可应用于商业场景。

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-small-v1.0")
tokenizer = AutoTokenizer.from_pretrained("knowledgator/gliclass-small-v1.0")

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] #单文本处理

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

性能基准：

以下为多个文本分类数据集上的F1分数（零样本场景测试）：

GLiClass系列模型对比：

示例数量对性能的影响：