Um SDK Python não autoregressivo que responde a perguntas predefinidas de classificação e pontuação sobre texto ou JSON, retornando rótulos, pontuações e probabilidades em vez de texto livre.
DeepOpen é um framework de classificação de intenções e um SDK para decisões estruturadas. Você define perguntas com tipos de saída restritos, como escolher um rótulo entre opções, atribuir uma pontuação a um nível ordinal ou estimar se uma afirmação é verdadeira, e o modelo retorna respostas com probabilidades e valores de confiança. Ele não gera texto livre, o que mantém as saídas dentro de um conjunto fixo de tipos.
O SDK carrega checkpoints upstream do Laya por meio de um roteador que seleciona modelos em inglês, multilíngues ou de decisões tipadas com base na entrada. Ele também inclui templates de perguntas para tarefas de roteamento, guard, moderação, triagem e e-mail. A instalação é feita pelo repositório do GitHub com Python 3.10 ou mais recente, e há suporte ao PyTorch em CPU ou CUDA.
O repositório também inclui guias de treinamento e avaliação para Banking77 e CLINC150, com números de acurácia reportados. As previsões podem estar erradas, e as pontuações de confiança precisam ser validadas com seus próprios dados antes do uso em decisões com consequências relevantes.
Instale o SDK pelo repositório do GitHub
python -m pip install "git+https://github.com/deepopen-com/deepopen.git"Verifique a instalação exibindo a versão
python -c "import deepopen; print(deepopen.__version__)"Carregue o checkpoint em inglês e execute uma pergunta de classificação em Python (consulte o exemplo de início rápido no README)
Resumo gerado por IA a partir do README do projeto. As estatísticas do GitHub são atualizadas diariamente.
Biblioteca de NLP robusta para Python e Cython, com tokenização, pipelines pré-treinados e modelos treinados para etiquetagem, análise sintática e reconhecimento de entidades.
Uma extensão do spaCy que integra LLMs a pipelines de NLP estruturados para tarefas como NER e classificação de texto, sem dados de treinamento.
Gem Ruby para classificação de textos com Naive Bayes, LSI, k-Nearest Neighbors, Logistic Regression e TF-IDF, além de ferramentas CLI.
Biblioteca Python para classificação de texto que aprende novos exemplos e classes em tempo de execução, com confiança calibrada e detecção de dados fora da distribuição.
Biblioteca Python para trabalhar com LLMs usando objetos e tipos, permitindo criar prompts e obter saídas estruturadas.
Uma camada de decisão para LLMs e agentes que roteia solicitações por similaridade semântica ou com um pequeno modelo de decisão, retornando uma confiança calibrada.