【免费下载链接】fast-decisions项目地址https://ai.gitcode.com/hf_mirrors/fastino/fast-decisions点击查看免费下载fast-decisions 是一套面向 GLiNER2.5-Decide 的 17 域运营级文本分类数据集本指南将带你用多语言模型 GLiNER2.5-multi-Decide 处理非英文文本从加载数据、读懂 schema到跑通推理与评估新手也能照着一步步落地。你将学到⚡ fast-decisions 的 17 个业务域与统一数据结构 如何用 GLiNER2.5-multi-Decide 对非英文文本做一次调用、多个决策✅ 单标签 / 多标签头的差异与 4 个常见坑 多语言模型在官方基准中的真实成绩一、fast-decisions 是什么17 个域一次看懂fast-decisions仓库名fastino/fast-decisions是 GLiNER2.5-Decide 分类体系背后的题库17 个业务域每个域一个 JSONL 文件每域 100 条开发集样例共 1,700 行。每行 一段文本 产品需要做出的决策任务名、候选标签集、金标签。注意官方提醒测试集每域 300 条是保密留出的不要用本仓库文件算出的分数当作基准成绩详见 README.md 的 Benchmark 一节。领域文件业务场景决策头heads多标签头support_intent.jsonl客服意图1—support_topic.jsonl客服主题1—document_type.jsonl文档类型识别1—review_sentiment.jsonl评论情感1—agent_handoff.jsonl助手转人工判定1—email_triage.jsonl邮件分诊4—ticket_route.jsonl工单路由3—product_feedback.jsonl产品反馈2product_areabanking_intent.jsonl银行意图1—clinic_request.jsonl诊所请求2—travel_request.jsonl出行请求1—news_topic.jsonl新闻主题1—paper_field.jsonl论文学科1—sports_recap.jsonl赛事综述3—restaurant_review.jsonl餐厅点评2aspectsbenefits_request.jsonl福利申请2—screen_tags.jsonl影视标签2genres它不是推理考试而是运营决策客服与银行意图、旅行/诊所请求、评论情感、文档类型、邮件工单路由、转人工以及有序档0–5 / 0–10和是否型yes/no判断。二、一行数据里藏着什么Schema 速览所有 17 个文件共用同一结构完整说明见 README.md 的 Schema 一节{ input: 自由文本, output: { classifications: [ { task: head 名称, true_label: [金标签], labels: [完整候选标签集], multi_label: false } ] } }以 email_triage.jsonl 为例一封邮件一次产出4 个决策category什么邮件、action怎么处理、needs_reply是否要回复、is_phishing是否是钓鱼。四个关键约定直接决定你用对还是用错true_label永远是字符串列表即使是单标签头labels是该头的完整候选集——推理时原样传给模型不要剔除金标签只做分类没有实体字段有序头0–5、0–10用的是字符串数字不是整数。三、如何加载 fast-decisions 数据集最短路径每个域对应一个 config 名用 Hugging Facedatasets库即可加载仓库为 Apache 2.0 许可from datasets import load_dataset # 单个域config 名即域名 ds load_dataset(fastino/fast-decisions, support_intent, splittrain)想一次拿全 17 个域把 17 个 config 名依次load_dataset后concatenate_datasets拼接即可示例见 README.md 的 Loading 一节。四、用 GLiNER2.5-multi-Decide 处理非英文文本这是本文的核心。GLiNER2.5 家族提供两个决策模型接口完全一致只换模型名模型适用文本GLiNER2.5-Decide英文GLiNER2.5-multi-Decide多语言非英文文本用它推理时把labels原样作为候选集传入一次调用可同时返回多个头的决策from gliner2 import AutoExtractor model AutoExtractor.from_pretrained(fastino/GLiNER2.5-multi-Decide) pred model.classify_text(row[input], {head[task]: head[labels]})返回值规则评估时两边都按集合比较做精确匹配单标签头→ 返回一个字符串多标签头如genres、aspects、product_area→ 返回一个列表4 个容易踩的坑候选集要整盘端上labels是完整候选集擅自裁剪会让模型选不到正确标签多标签别只取第一个例如 screen_tags.jsonl 的genres金标签可能是kids, drama两个漏一个就算错有序头别转 int0–5 / 0–10 档位是字符串比较前先统一类型别拿开发集打分交作业本仓库 1,700 行是开发集官方基准在保密测试集上测得分数不可直接对标。五、基准成绩多语言模型有多强官方在保密测试集每域 300 条上做精确匹配平均准确率所有模型同文本、同候选标签数据来自 README.md 的 Benchmark 表模型平均准确率GLiNER2.5-Decide英文60.2%GLiNER2 XL (1B)59.6%JevK557.6%GLiNER2.5-multi-Decide多语言56.7%SemIf (Qwen3.5-4B)56.4%GLiFormer large-v149.0%Laya Router46.6%怎么读这张表GLiNER2.5-multi-Decide 在英文测试集上比纯英文模型低 3.5 个百分点但换来的是覆盖多语言能力——对非英文业务而言它是这套 17 域题库里唯一能开箱即用的选项。六、从数据到线上决策4 步上手清单挑域从 17 个.jsonl里选一个与你业务最接近的客服选support_intent邮件选email_triage取候选集直接用每行的labels作为该头的完整候选勿改勿删选模型文本是英文用 GLiNER2.5-Decide非英文文本用 GLiNER2.5-multi-Decide加载方式相同算分单标签比字符串、多标签比集合与true_label精确匹配汇总到 17 个域得到平均分。七、总结fast-decisions 17 域 × 100 条的开发集共 1,700 行schema 统一inputoutput.classificationslabels是完整候选集原样传给模型有序头用字符串数字处理非英文文本只需把模型换成GLiNER2.5-multi-Decide其余流程一字不改官方基准保密测试集上多语言模型平均 56.7%位居第四是轻量多语言决策场景的务实之选。照着本文的 4 步清单你可以把任意业务文本接入这套 schema 驱动的决策流程。更多域的样例与金标签直接翻仓库里 17 个 JSONL 文件 即可。赞分享【免费下载链接】fast-decisions项目地址https://ai.gitcode.com/hf_mirrors/fastino/fast-decisions点击查看免费下载相关推荐TPOT多语言支持处理非英语文本数据的最佳实践TPOT多语言支持处理非英语文本数据的最佳实践 你是否在处理中文、阿拉伯语或其他非英语文本数据时遇到过模型性能不佳的问题是否因手动编码多语言特征而耗费大量时人工智能AutoML机器学习数据科学openpilot 完整使用指南300 车型如何装上车道居中和自适应巡航参数怎么调openpilot 完整使用指南300 车型如何装上车道居中和自适应巡航参数怎么调 openpilot 是一套跑在车载电脑上的开源驾驶辅助系统主打两件事自动驾驶人工智能深度学习计算机视觉BFGMiner开发者指南如何为新的ASIC设备编写驱动程序 BFGMiner开发者指南如何为新的ASIC设备编写驱动程序 BFGMiner是一款功能强大的模块化ASIC/FPGA矿机软件支持多种挖矿硬件。如果你上一篇攻克 WASM-4 数据持久化难题从基础存储到高级策略下一篇ActivityPub协议实现指南从原理到实践创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考