SDK de Python no autorregresivo que responde preguntas predefinidas de clasificación y puntuación sobre texto o JSON, y devuelve etiquetas, puntuaciones y probabilidades en lugar de texto libre.
DeepOpen es un framework de clasificación de intenciones y un SDK para tomar decisiones estructuradas. Defines preguntas con tipos de salida restringidos, como elegir una etiqueta de entre varias opciones, puntuar un nivel ordinal o estimar si una afirmación es verdadera; el modelo devuelve respuestas con probabilidades y valores de confianza. No genera texto libre, por lo que las salidas se limitan a un conjunto fijo de tipos.
El SDK carga checkpoints de Laya del proyecto original mediante un router que selecciona modelos en inglés, multilingües o de decisiones tipadas según la entrada. También incluye plantillas de preguntas para tareas de enrutamiento, guard, moderación, triaje y correo electrónico. Se instala desde el repositorio de GitHub y requiere Python 3.10 o posterior; admite PyTorch en CPU o CUDA.
El repositorio también incluye guías de entrenamiento y evaluación para Banking77 y CLINC150, con cifras de precisión publicadas. Las predicciones pueden ser incorrectas, y es necesario validar las puntuaciones de confianza con tus propios datos antes de usarlas para tomar decisiones importantes.
Instala el SDK desde el repositorio de GitHub
python -m pip install "git+https://github.com/deepopen-com/deepopen.git"Comprueba la instalación mostrando la versión
python -c "import deepopen; print(deepopen.__version__)"Carga el checkpoint en inglés y ejecuta una pregunta de clasificación en Python (consulta el ejemplo de inicio rápido del README)
Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.
Biblioteca de NLP de alto rendimiento para Python y Cython, con tokenización, pipelines preentrenados y modelos entrenados para etiquetado, análisis sintáctico y reconocimiento de entidades.
Extensión de spaCy que integra modelos de lenguaje grandes en pipelines de NLP estructurados para tareas como NER y clasificación de texto, sin datos de entrenamiento.
Una gema de Ruby para clasificar texto con Naive Bayes, LSI, k-Nearest Neighbors, Logistic Regression y TF-IDF, e incluye herramientas de CLI.
Librería de Python para clasificar textos que aprende de nuevos ejemplos y clases en tiempo de ejecución, con confianza calibrada y detección de datos fuera de distribución.
Biblioteca de Python para trabajar con LLM mediante objetos y tipos, crear prompts y obtener respuestas estructuradas.
Una capa de decisión para LLM y agentes que enruta solicitudes por similitud semántica o con un modelo de decisión pequeño y devuelve una confianza calibrada.