SeqGPT是一个不限领域的文本理解大模型。无需训练，即可完成实体识别、文本分类、阅读理解等多种任务。该模型基于Bloomz在数以百计的任务数据上进行指令微调获得。模型可以在低至16G显存的显卡上免费使用。目前SeqGPT已经在魔搭社区开源，欢迎体验！

ModelScope开源直达： 

本文将为大家展开关于SeqGPT的详细技术解析介绍

本模型可用于任何自然语言理解任务。用户只需给定类型标签即可。不同任务的标签给定方式可以参考以下例子：

训练分类两个阶段，分别为：预训练和微调，两阶段数据分别为：预训练数据：包含来自多个领域（包括维基百科、新闻和社交媒体等）极其多样化的标签集的数据。

我们主要选择了三个任务：分类（CLS）、实体分类（ET）和实体识别（NER）。我们通过调用ChatGPT为每个样本获得伪标签。

最终，PT数据集包含1,146,271个实例和817,075个不同的标签。微调数据：我们收集了来自不同领域的大规模高质量NLU数据集进行微调。如下图所示，我们的微调（FT）数据集包含110个NLU数据集，涵盖英语和中文两种语言以及10大类任务。除了任务多样性外，领域（包括医学、新闻和与AI助手的对话）的多样性以及标签多样性也保证了数据多样性。每个任务被转化为原子任务，共产生了139个分类原子任务和94个抽取原子任务。

模型评估及结果：

在创空间可以零门槛体验开放域NLU模型的能力，示例如下：

模型推理

在魔搭社区免费NoteBook环境，使用ModelScope的最新master分支

git clone https://github.com/modelscope/modelscope.git
cd modelscope
pip install .

from modelscope.utils.constant import Tasks
from modelscope.pipelines import pipeline
   
# task可选值为 抽取、分类。text为需要分析的文本。labels为类型列表，中文逗号分隔。
inputs = {'task': '抽取', 'text': '杭州欢迎你。', 'labels': '地名'}
# PROMPT_TEMPLATE保持不变
PROMPT_TEMPLATE = '输入: {text}\n{task}: {labels}\n输出: '
prompt = PROMPT_TEMPLATE.format(**inputs)
pipeline_ins = pipeline(task=Tasks.text_generation, model='damo/nlp_seqgpt-560m')
print(pipeline_ins(prompt))

# {'text': '地名: 杭州\n'}

本文介绍了SeqGPT，用一个统一的模型，通过将不同的NLU任务转化为两个通用的原子任务来处理。SeqGPT提供了一致的输入输出格式，使其能够通过任意变化的标签集来解决未见过的任务，而不需要繁琐的提示工程而且结果易于解析。

https://www.modelscope.cn/studios/TTCoding/open_ner/summary