GLiClass：序列分类任务的通用轻量模型

分类是人工智能应用中最广泛的任务之一，常作为过滤、排序和数据分类的第一步。由于现代 AI 系统必须处理大量输入数据，而且早期管道阶段的错误会在下游放大，实现高效准确性至关重要。此外，分类要求可以根据用户需求动态变化， necessitating models with strong zero-shot capabilities。虽然生成式大语言模型（LLM）因其通用性而成为零样本分类的主流选择，但它们存在指令遵循不一致和计算效率低下的问题。交叉编码器（cross-encoder）常用于 RAG 管道中的重排序器，但面临的瓶颈是必须顺序处理文本-标签对，在标签集合较大时效率显著下降。基于嵌入的方法在效率方面表现良好，但在涉及逻辑和语义约束的复杂场景中效果有限。我们提出了 GLiClass，一种新颖的方法，将 GLiNER 架构适用于序列分类任务。我们的做法在准确性和效率方面均表现优异，相当于基于嵌入的方法，同时保持了适用于零样本和少样本学习场景的灵活性。此外，我们将近端策略优化（PPO）适用于多标签文本分类，使分类器能够在数据稀缺或来自人类反馈的条件下进行训练。