ViExtract-EC 0.5B
точечная модель для извлечения данных в JSON
3 мин чтенияобновлено
ViExtract-EC 0.5B — специализированная языковая модель на базе Qwen/Qwen2.5-0.5B-Instruct, созданная для извлечения информации из диалогов на вьетнамском языке и заполнения заранее заданных JSON-фреймов (структур данных). Модель работает как связующее звено для крупных агентов: она не дает лишних объяснений или рассуждений, а возвращает строго один JSON-объект. Главная особенность модели заключается в том, что она ищет ключи независимо от их именования в схеме (schema-agnostic) и извлекает значения в виде точных подстрок из текста без нормализации. Инструмент ориентирован на разработчиков, создающих автоматизацию для чатов в сфере электронной коммерции, бьюти-услуг и доставки еды.
Ключевые особенности
- Схема вне зависимости от ключей: модель одинаково хорошо находит информацию независимо от того, как названо поле в схеме (например,
customer_nameилиten_khach_hang). - Строгий контракт подстрок: все извлекаемые значения являются буквальными подстроками из чата без нормализации и изменения типов данных.
- Высокая скорость работы: компактный размер (0.49 млрд параметров) обеспечивает быстрый инференс (около 2.5 секунд на выборку на GTX 1070).
- Точность структуры: модель обучена на синтетических данных с применением конвейера шумов и демонстрирует 100% валидность генерируемого JSON.
Что можно сделать
- Интеграция в интернет-магазины: автоматически заполнять заказы из чатов с клиентами (товар, размер, адрес доставки).
- Обработка заявок в сфере услуг: извлекать контактные данные и детали бронирования из диалогов службы поддержки.
- Создание агентов: использовать модель в качестве промежуточного фильтра для структурирования сырых текстовых логов в пайплайнах обработки заказов.
Пример
Пример инференса модели с использованием библиотеки transformers и точного шаблона инструкции:
import json, torch
from transformers import AutoModelForCausalLM, AutoTokenizer
model_id = "cbc-528a/vietextract-0.5b"
tok = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
model_id, torch_dtype=torch.float16, attn_implementation="sdpa", device_map={"": 0}
)
model.eval()
frame = {"ten_khach_hang": None, "so_dien_thoai": None, "dia_chi_giao": None}
chat = ("Khách: shop ơi còn áo sơ mi trắng size L k\n"
"Shop: dạ còn 2 cái\n"
"Khách: lấy 1 cái, giao về 22 Hai Bà Trưng, tên Trang, sđt 0987 654 321")
prompt = f"""### Instruction:
Bạn là một công cụ trích xuất thông tin. Dựa trên đoạn chat sau và khung JSON (schema) được cung cấp, hãy điền thông tin chính xác vào khung JSON. Nếu không tìm thấy thông tin, giữ nguyên null.
Khung JSON:
{json.dumps(frame, ensure_ascii=False, indent=2)}
Đoạn chat:
{chat}
### Response:
"""
inputs = tok(prompt, return_tensors="pt").to(model.device)
with torch.no_grad():
out = model.generate(**inputs, max_new_tokens=320, do_sample=False,
pad_token_id=tok.pad_token_id or tok.eos_token_id)
print(json.loads(tok.decode(out[0, inputs["input_ids"].shape[1]:], skip_special_tokens=True)))Подробнее
Метрики (на отложенной выборке): Schema adherence — 100%, Field F1 (boundary-tolerant) — 0.933, Exact whole-object match — 34%.Требования и ограничения: модель содержит 490 млн параметров, обучена на контексте до 1024 токенов, требует использования жадного декодирования (greedy decoding) без сэмплинга для предотвращения ухода модели за рамки схемы.
Обучение: 12 492 синтетических вьетнамских диалога в четырех доменах с конвейером искусственного зашумления текста. Базовая модель — Qwen/Qwen2.5-0.5B-Instruct, лицензия Apache-2.0.










Комментарии