[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-ShannonAI--mrc-for-flat-nested-ner":3,"tool-ShannonAI--mrc-for-flat-nested-ner":64},[4,17,25,39,48,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",138956,2,"2026-04-05T11:33:21",[13,14,15],"开发框架","Agent","语言模型","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":10,"last_commit_at":23,"category_tags":24,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,15],{"id":26,"name":27,"github_repo":28,"description_zh":29,"stars":30,"difficulty_score":10,"last_commit_at":31,"category_tags":32,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[33,34,35,36,14,37,15,13,38],"图像","数据工具","视频","插件","其他","音频",{"id":40,"name":41,"github_repo":42,"description_zh":43,"stars":44,"difficulty_score":45,"last_commit_at":46,"category_tags":47,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,3,"2026-04-04T04:44:48",[14,33,13,15,37],{"id":49,"name":50,"github_repo":51,"description_zh":52,"stars":53,"difficulty_score":45,"last_commit_at":54,"category_tags":55,"status":16},519,"PaddleOCR","PaddlePaddle\u002FPaddleOCR","PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。\n\n面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。\n\nPaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。",74913,"2026-04-05T10:44:17",[15,33,13,37],{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":45,"last_commit_at":62,"category_tags":63,"status":16},2181,"OpenHands","OpenHands\u002FOpenHands","OpenHands 是一个专注于 AI 驱动开发的开源平台，旨在让智能体（Agent）像人类开发者一样理解、编写和调试代码。它解决了传统编程中重复性劳动多、环境配置复杂以及人机协作效率低等痛点，通过自动化流程显著提升开发速度。\n\n无论是希望提升编码效率的软件工程师、探索智能体技术的研究人员，还是需要快速原型验证的技术团队，都能从中受益。OpenHands 提供了灵活多样的使用方式：既可以通过命令行（CLI）或本地图形界面在个人电脑上轻松上手，体验类似 Devin 的流畅交互；也能利用其强大的 Python SDK 自定义智能体逻辑，甚至在云端大规模部署上千个智能体并行工作。\n\n其核心技术亮点在于模块化的软件智能体 SDK，这不仅构成了平台的引擎，还支持高度可组合的开发模式。此外，OpenHands 在 SWE-bench 基准测试中取得了 77.6% 的优异成绩，证明了其解决真实世界软件工程问题的能力。平台还具备完善的企业级功能，支持与 Slack、Jira 等工具集成，并提供细粒度的权限管理，适合从个人开发者到大型企业的各类用户场景。",70612,"2026-04-05T11:12:22",[15,14,13,36],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":79,"owner_email":79,"owner_twitter":79,"owner_website":79,"owner_url":80,"languages":81,"stars":90,"forks":91,"last_commit_at":92,"license":79,"difficulty_score":45,"env_os":93,"env_gpu":94,"env_ram":93,"env_deps":95,"category_tags":103,"github_topics":79,"view_count":10,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":104,"updated_at":105,"faqs":106,"releases":142},2353,"ShannonAI\u002Fmrc-for-flat-nested-ner","mrc-for-flat-nested-ner","Code for ACL 2020 paper `A Unified MRC Framework for Named Entity Recognition`","mrc-for-flat-nested-ner 是一个基于机器阅读理解（MRC）框架的命名实体识别（NER）开源项目，源自 ACL 2020 的研究论文。它旨在解决传统 NER 模型难以同时高效处理“扁平化”和“嵌套式”实体标注的难题。在传统方法中，嵌套实体（即一个实体内部包含另一个实体）往往需要复杂的特殊设计，而 mrc-for-flat-nested-ner 创新性地将实体识别任务转化为机器阅读理解问题：通过构建针对特定实体类型的自然语言问句，让模型像回答问题一样从文本中定位实体。这种统一的建模范式不仅简化了模型架构，还显著提升了对复杂嵌套结构的识别能力。\n\n该工具非常适合自然语言处理领域的研究人员和开发者使用，尤其是那些希望复现前沿学术成果、探索 MRC 在序列标注中应用，或需要在实际业务中处理复杂嵌套实体场景的技术团队。项目基于 PyTorch Lightning 构建，提供了完整的数据预处理脚本、训练流程、评估代码及推理示例，支持用户快速上手并自定义数据集。无论是进行学术实验还是工业级模型部署，mrc-for-flat-nested-ner 都为处理高难度 NER 任务提供了","mrc-for-flat-nested-ner 是一个基于机器阅读理解（MRC）框架的命名实体识别（NER）开源项目，源自 ACL 2020 的研究论文。它旨在解决传统 NER 模型难以同时高效处理“扁平化”和“嵌套式”实体标注的难题。在传统方法中，嵌套实体（即一个实体内部包含另一个实体）往往需要复杂的特殊设计，而 mrc-for-flat-nested-ner 创新性地将实体识别任务转化为机器阅读理解问题：通过构建针对特定实体类型的自然语言问句，让模型像回答问题一样从文本中定位实体。这种统一的建模范式不仅简化了模型架构，还显著提升了对复杂嵌套结构的识别能力。\n\n该工具非常适合自然语言处理领域的研究人员和开发者使用，尤其是那些希望复现前沿学术成果、探索 MRC 在序列标注中应用，或需要在实际业务中处理复杂嵌套实体场景的技术团队。项目基于 PyTorch Lightning 构建，提供了完整的数据预处理脚本、训练流程、评估代码及推理示例，支持用户快速上手并自定义数据集。无论是进行学术实验还是工业级模型部署，mrc-for-flat-nested-ner 都为处理高难度 NER 任务提供了一套灵活且高效的解决方案。","# A Unified MRC Framework for Named Entity Recognition \nThe repository contains the code of the recent research advances in [Shannon.AI](http:\u002F\u002Fwww.shannonai.com). \n\n**A Unified MRC Framework for Named Entity Recognition** \u003Cbr>\nXiaoya Li, Jingrong Feng, Yuxian Meng, Qinghong Han, Fei Wu and Jiwei Li\u003Cbr>\nIn ACL 2020. [paper](https:\u002F\u002Farxiv.org\u002Fabs\u002F1910.11476)\u003Cbr>\nIf you find this repo helpful, please cite the following:\n```latex\n@article{li2019unified,\n  title={A Unified MRC Framework for Named Entity Recognition},\n  author={Li, Xiaoya and Feng, Jingrong and Meng, Yuxian and Han, Qinghong and Wu, Fei and Li, Jiwei},\n  journal={arXiv preprint arXiv:1910.11476},\n  year={2019}\n}\n```\nFor any question, please feel free to post Github issues. \u003Cbr>\n\n## Install Requirements\n\n* The code requires Python 3.6+.\n\n* If you are working on a GPU machine with CUDA 10.1, please run `pip install torch==1.7.1+cu101 torchvision==0.8.2+cu101 torchaudio==0.7.2 -f https:\u002F\u002Fdownload.pytorch.org\u002Fwhl\u002Ftorch_stable.html` to install PyTorch. If not, please see the [PyTorch Official Website](https:\u002F\u002Fpytorch.org\u002F) for instructions.\n\n* Then run the following script to install the remaining dependenices: `pip install -r requirements.txt`\n\nWe build our project on [pytorch-lightning.](https:\u002F\u002Fgithub.com\u002FPyTorchLightning\u002Fpytorch-lightning)\nIf you want to know more about the arguments used in our training scripts, please \nrefer to [pytorch-lightning documentation.](https:\u002F\u002Fpytorch-lightning.readthedocs.io\u002Fen\u002Flatest\u002F)\n\n### Baseline: BERT-Tagger \n\nWe release code, [scripts](.\u002Fscripts\u002Fbert_tagger\u002Freproduce) and [datafiles](.\u002Fner2mrc\u002Fdownload.md) for fine-tuning BERT and treating NER as a sequence labeling task. \u003Cbr>\n\n### MRC-NER: Prepare Datasets\n\nYou can [download](.\u002Fner2mrc\u002Fdownload.md) the preprocessed MRC-NER datasets used in our paper. \u003Cbr>\nFor flat NER datasets, please use `ner2mrc\u002Fmrsa2mrc.py` to transform your BMES NER annotations to MRC-format. \u003Cbr>\nFor nested NER datasets, please use `ner2mrc\u002Fgenia2mrc.py` to transform your start-end NER annotations to MRC-format. \u003Cbr>\n\n### MRC-NER: Training\n\nThe main training procedure is in `train\u002Fmrc_ner_trainer.py`\n\nScripts for reproducing our experimental results can be found in the `.\u002Fscripts\u002Fmrc_ner\u002Freproduce\u002F` folder. \nNote that you need to change `DATA_DIR`, `BERT_DIR`, `OUTPUT_DIR` to your own dataset path, bert model path and log path, respectively.  \u003Cbr> \nFor example, run `.\u002Fscripts\u002Fmrc_ner\u002Freproduce\u002Face04.sh` will start training MRC-NER models and save intermediate log to `$OUTPUT_DIR\u002Ftrain_log.txt`. \u003Cbr> \nDuring training, the model trainer will automatically evaluate on the dev set every `val_check_interval` epochs,\nand save the topk checkpoints to `$OUTPUT_DIR`. \u003Cbr> \n\n### MRC-NER: Evaluation\n\nAfter training, you can find the best checkpoint on the dev set according to the evaluation results in `$OUTPUT_DIR\u002Ftrain_log.txt`. \u003Cbr> \nThen run `python3 evaluate\u002Fmrc_ner_evaluate.py $OUTPUT_DIR\u002F\u003Cbest_ckpt_on_dev>.ckpt  $OUTPUT_DIR\u002Flightning_logs\u002F\u003Cversion_0\u002Fhparams.yaml>` to evaluate on the test set with the best checkpoint chosen on dev. \n\n### MRC-NER: Inference \n\nCode for inference using the trained MRC-NER model can be found in `inference\u002Fmrc_ner_inference.py` file. \u003Cbr>\nFor flat NER, we provide the inference script in [flat_inference.sh](.\u002Fscripts\u002Fmrc_ner\u002Fflat_inference.sh) \u003Cbr>\nFor nested NER, we provide the inference script in [nested_inference.sh](.\u002Fscripts\u002Fmrc_ner\u002Fnested_inference.sh) ","# 用于命名实体识别的统一MRC框架\n该仓库包含了[Shannon.AI](http:\u002F\u002Fwww.shannonai.com)近期研究进展的代码。\n\n**用于命名实体识别的统一MRC框架** \u003Cbr>\n李晓娅、冯景荣、孟宇贤、韩庆红、吴飞和李继伟\u003Cbr>\n发表于ACL 2020。[论文](https:\u002F\u002Farxiv.org\u002Fabs\u002F1910.11476)\u003Cbr>\n如果您觉得本仓库对您有帮助，请引用以下文献：\n```latex\n@article{li2019unified,\n  title={A Unified MRC Framework for Named Entity Recognition},\n  author={Li, Xiaoya and Feng, Jingrong and Meng, Yuxian and Han, Qinghong and Wu, Fei and Li, Jiwei},\n  journal={arXiv preprint arXiv:1910.11476},\n  year={2019}\n}\n```\n如有任何问题，欢迎在GitHub上提交Issue。 \u003Cbr>\n\n## 安装要求\n\n* 代码需要Python 3.6及以上版本。\n\n* 如果您使用的是配备CUDA 10.1的GPU机器，请运行`pip install torch==1.7.1+cu101 torchvision==0.8.2+cu101 torchaudio==0.7.2 -f https:\u002F\u002Fdownload.pytorch.org\u002Fwhl\u002Ftorch_stable.html`来安装PyTorch。否则，请参阅[PyTorch官方网站](https:\u002F\u002Fpytorch.org\u002F)获取安装说明。\n\n* 然后运行以下脚本以安装其余依赖：`pip install -r requirements.txt`\n\n我们基于[pytorch-lightning](https:\u002F\u002Fgithub.com\u002FPyTorchLightning\u002Fpytorch-lightning)构建项目。\n如果您想了解更多关于我们训练脚本中使用的参数，请参考[pytorch-lightning文档](https:\u002F\u002Fpytorch-lightning.readthedocs.io\u002Fen\u002Flatest\u002F)。\n\n### 基线：BERT-Tagger \n\n我们发布了用于微调BERT并将NER视为序列标注任务的代码、[脚本](.\u002Fscripts\u002Fbert_tagger\u002Freproduce)和[数据文件](.\u002Fner2mrc\u002Fdownload.md)。\u003Cbr>\n\n### MRC-NER：准备数据集\n\n您可以从[这里](.\u002Fner2mrc\u002Fdownload.md)下载我们在论文中使用的预处理过的MRC-NER数据集。\u003Cbr>\n对于扁平型NER数据集，请使用`ner2mrc\u002Fmrsa2mrc.py`将您的BMES格式的NER标注转换为MRC格式。\u003Cbr>\n对于嵌套型NER数据集，请使用`ner2mrc\u002Fgenia2mrc.py`将您的起止位置格式的NER标注转换为MRC格式。\u003Cbr>\n\n### MRC-NER：训练\n\n主要的训练流程位于`train\u002Fmrc_ner_trainer.py`中。\n\n用于复现我们实验结果的脚本可以在`.\u002Fscripts\u002Fmrc_ner\u002Freproduce\u002F`文件夹中找到。\n请注意，您需要将`DATA_DIR`、`BERT_DIR`和`OUTPUT_DIR`分别替换为您自己的数据集路径、BERT模型路径和日志路径。\u003Cbr>\n例如，运行`.\u002Fscripts\u002Fmrc_ner\u002Freproduce\u002Face04.sh`将开始训练MRC-NER模型，并将中间日志保存到`$OUTPUT_DIR\u002Ftrain_log.txt`。\u003Cbr>\n在训练过程中，模型会每隔`val_check_interval`个epoch自动在验证集上进行评估，并将表现最好的前k个检查点保存到`$OUTPUT_DIR`。\u003Cbr>\n\n### MRC-NER：评估\n\n训练完成后，您可以根据`$OUTPUT_DIR\u002Ftrain_log.txt`中的评估结果，在验证集上找到最佳检查点。\u003Cbr>\n然后运行`python3 evaluate\u002Fmrc_ner_evaluate.py $OUTPUT_DIR\u002F\u003Cbest_ckpt_on_dev>.ckpt  $OUTPUT_DIR\u002Flightning_logs\u002F\u003Cversion_0\u002Fhparams.yaml>`，使用在验证集上选出的最佳检查点在测试集上进行评估。\n\n### MRC-NER：推理\n\n用于使用训练好的MRC-NER模型进行推理的代码可以在`inference\u002Fmrc_ner_inference.py`文件中找到。\u003Cbr>\n对于扁平型NER，我们提供了推理脚本[flat_inference.sh](.\u002Fscripts\u002Fmrc_ner\u002Fflat_inference.sh)。\u003Cbr>\n对于嵌套型NER，我们提供了推理脚本[nested_inference.sh](.\u002Fscripts\u002Fmrc_ner\u002Fnested_inference.sh)。","# mrc-for-flat-nested-ner 快速上手指南\n\n本指南基于 Shannon.AI 开源的统一 MRC 命名实体识别框架，支持扁平化（Flat）和嵌套（Nested）NER 任务。\n\n## 环境准备\n\n*   **操作系统**：Linux \u002F macOS\n*   **Python 版本**：3.6 及以上\n*   **GPU 支持**：推荐配备 CUDA 10.1 的 GPU（若使用其他版本请参考 PyTorch 官网调整安装命令）\n*   **核心依赖**：PyTorch, pytorch-lightning\n\n## 安装步骤\n\n1.  **克隆项目代码**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002FShannonAI\u002Fmrc-for-flat-nested-ner.git\n    cd mrc-for-flat-nested-ner\n    ```\n\n2.  **安装 PyTorch**\n    *   **CUDA 10.1 环境**（推荐）：\n        ```bash\n        pip install torch==1.7.1+cu101 torchvision==0.8.2+cu101 torchaudio==0.7.2 -f https:\u002F\u002Fdownload.pytorch.org\u002Fwhl\u002Ftorch_stable.html\n        ```\n    *   **CPU 或其他 CUDA 版本**：\n        请前往 [PyTorch 官网](https:\u002F\u002Fpytorch.org\u002F) 获取对应安装命令。\n    *   *国内加速建议*：如遇下载缓慢，可添加 `-i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple` 参数使用清华源。\n\n3.  **安装其余依赖**\n    ```bash\n    pip install -r requirements.txt\n    ```\n\n## 基本使用\n\n### 1. 数据准备\n您可以直接下载论文中使用的预处理数据集，或将自有数据转换为 MRC 格式。\n\n*   **下载预处理数据**：参考 `ner2mrc\u002Fdownload.md` 获取数据集。\n*   **转换自有数据**：\n    *   **扁平化 NER** (BMES 标注转 MRC)：\n        ```bash\n        python ner2mrc\u002Fmrsa2mrc.py\n        ```\n    *   **嵌套 NER** (Start-End 标注转 MRC)：\n        ```bash\n        python ner2mrc\u002Fgenia2mrc.py\n        ```\n\n### 2. 模型训练\n修改脚本中的路径变量（`DATA_DIR`, `BERT_DIR`, `OUTPUT_DIR`）后运行复现脚本。以下以 ACE04 数据集为例：\n\n```bash\n# 请确保先编辑 .\u002Fscripts\u002Fmrc_ner\u002Freproduce\u002Face04.sh 配置好您的路径\nbash .\u002Fscripts\u002Fmrc_ner\u002Freproduce\u002Face04.sh\n```\n*   训练日志将保存至 `$OUTPUT_DIR\u002Ftrain_log.txt`。\n*   模型会自动在验证集上评估，并保存表现最好的 Top-K 检查点到 `$OUTPUT_DIR`。\n\n### 3. 模型评估\n训练完成后，根据日志选择验证集表现最佳的 checkpoint 进行测试集评估：\n\n```bash\npython3 evaluate\u002Fmrc_ner_evaluate.py $OUTPUT_DIR\u002F\u003Cbest_ckpt_on_dev>.ckpt $OUTPUT_DIR\u002Flightning_logs\u002F\u003Cversion_0\u002Fhparams.yaml>\n```\n*   请将 `\u003Cbest_ckpt_on_dev>.ckpt` 替换为实际的检查点文件名。\n*   请将 `\u003Cversion_0\u002Fhparams.yaml>` 替换为对应的超参数文件路径。\n\n### 4. 推理预测\n使用训练好的模型进行推理：\n\n*   **扁平化 NER 推理**：\n    ```bash\n    bash .\u002Fscripts\u002Fmrc_ner\u002Fflat_inference.sh\n    ```\n*   **嵌套 NER 推理**：\n    ```bash\n    bash .\u002Fscripts\u002Fmrc_ner\u002Fnested_inference.sh\n    ```\n*   自定义推理逻辑可参考 `inference\u002Fmrc_ner_inference.py`。","某医疗科技公司的 NLP 团队正在构建临床病历实体抽取系统，需要从非结构化文本中精准识别药物名称、剂量及复杂的嵌套并发症描述。\n\n### 没有 mrc-for-flat-nested-ner 时\n- **模型架构割裂**：团队需分别维护两套代码，一套用序列标注处理扁平实体（如药名），另一套用跨度分类处理嵌套实体（如“慢性阻塞性肺病急性加重”中包含的疾病与状态），开发成本翻倍。\n- **长尾实体识别难**：传统方法对训练数据中未出现的新实体类型泛化能力差，每次新增一种病历标签都需要重新设计输出层并全量微调模型。\n- **边界模糊误差大**：面对嵌套结构，常规模型难以判断实体确切起止位置，常将“左肺下叶结节”错误拆解或遗漏层级关系，导致后续知识图谱构建失败。\n\n### 使用 mrc-for-flat-nested-ner 后\n- **统一框架降本**：利用机器阅读理解（MRC）范式，将扁平与嵌套任务统一转化为问答形式，仅需一套模型即可同时处理所有类型的实体抽取，代码维护量减少 50%。\n- **零样本快速扩展**：新增实体类型只需构造对应的自然语言问题（如“哪些是过敏史？”），无需修改模型结构或重新训练，极大提升了业务迭代速度。\n- **嵌套解析更精准**：通过提问方式显式引导模型关注特定语义范围，有效解决了实体边界重叠难题，在测试集上将嵌套实体的 F1 值提升了 8.5 个百分点。\n\nmrc-for-flat-nested-ner 通过将命名实体识别重构为统一的问答任务，彻底打破了扁平与嵌套场景的壁垒，实现了高精度与高灵活性的双重突破。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FShannonAI_mrc-for-flat-nested-ner_68f94797.png","ShannonAI","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FShannonAI_f27e460f.jpg","",null,"https:\u002F\u002Fgithub.com\u002FShannonAI",[82,86],{"name":83,"color":84,"percentage":85},"Python","#3572A5",86.4,{"name":87,"color":88,"percentage":89},"Shell","#89e051",13.6,679,118,"2026-03-23T08:59:06","未说明","非必需（支持 CPU），若使用 GPU 需 NVIDIA 显卡且安装 CUDA 10.1",{"notes":96,"python":97,"dependencies":98},"该项目基于 pytorch-lightning 构建。若不使用 CUDA 10.1，需前往 PyTorch 官网自行匹配安装对应的 torch 版本。训练和评估脚本中需要手动配置数据目录、BERT 模型路径和输出日志路径。提供将扁平化（BMES）和嵌套（start-end）NER 标注转换为 MRC 格式的预处理脚本。","3.6+",[99,100,101,102],"torch==1.7.1+cu101 (对应 CUDA 10.1)","torchvision==0.8.2+cu101","torchaudio==0.7.2","pytorch-lightning",[15],"2026-03-27T02:49:30.150509","2026-04-06T05:36:56.660114",[107,112,117,122,127,132,137],{"id":108,"question_zh":109,"answer_zh":110,"source_url":111},10817,"MRC 方式需要对每一类实体轮询一遍，工程落地时效率是否太低？是否有优化方案？","工程上不需要逐个类别询问，可以采用简化方案将所有问题拼接在一起一次性输入。具体做法是将输入格式从 `[cls]q1[seq] text`、`[cls]q2[seq] text` 改为 `[cls1]q1[cls2]q2[cls3]q3[seq] text`。在模型最后一层，分别用 cls1、cls2、cls3 与每个 token 做运算，作为对应问题的 span 预测。这样只需推理一遍即可，实际场景中速度有显著提升。","https:\u002F\u002Fgithub.com\u002FShannonAI\u002Fmrc-for-flat-nested-ner\u002Fissues\u002F12",{"id":113,"question_zh":114,"answer_zh":115,"source_url":116},10818,"无法复现 CoNLL2003 数据集的实验结果，应该使用哪个版本的数据集和脚本？","请使用官方提供的复现脚本 `.\u002Fscripts\u002Fmrc_ner\u002Freproduce\u002Fconll03.sh`。注意提供的 CoNLL03 数据集版本可能与原始发布版本不同（标签数量和大小写存在差异），请下载使用项目方提供的特定格式化数据集：https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1mGO9CYkgXsV-Et-hSZpOmS0m9G8A5mau\u002Fview?usp=sharing","https:\u002F\u002Fgithub.com\u002FShannonAI\u002Fmrc-for-flat-nested-ner\u002Fissues\u002F77",{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},10819,"运行脚本时出现 'No rendezvous handler for env:\u002F\u002F' 错误且 GPU 未被使用，如何解决？","该问题通常发生在 Windows 环境下运行分布式训练脚本时。虽然日志显示 'GPU available: True, used: False'，但根本原因可能是环境配置或 PyTorch Lightning 的分布式后端设置问题。建议检查是否在调用脚本时正确设置了 `--gpus` 参数。如果是在 Windows 单机运行，可能需要调整分布式启动方式或确保环境变量配置正确。具体解决细节可参考社区交流（如修改 GPU 参数配置）。","https:\u002F\u002Fgithub.com\u002FShannonAI\u002Fmrc-for-flat-nested-ner\u002Fissues\u002F67",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},10820,"在哪里可以找到 Eng-OntoNotes5.0 数据集对应的查询语句（queries）文件？","OntoNotes5.0 英文数据集的 query 文件请参考以下路径：`https:\u002F\u002Fgithub.com\u002FShannonAI\u002Fmrc-for-flat-nested-ner\u002Fblob\u002Fmaster\u002Fdata_preprocess\u002Fqueries\u002Fen_ontonotes5.json`。如果之前的链接失效，请以该仓库中的最新文件为准。","https:\u002F\u002Fgithub.com\u002FShannonAI\u002Fmrc-for-flat-nested-ner\u002Fissues\u002F15",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},10821,"论文中提到的 Dice Loss 代码仓库链接失效，如何获取代码？它支持多分类吗？","Dice Loss 的最新代码仓库已更新为：https:\u002F\u002Fgithub.com\u002FShannonAI\u002Fdice_loss_for_NLP。关于适用范围，目前的实现仅适用于二分类任务（binary classification），尚未扩展到多分类场景。","https:\u002F\u002Fgithub.com\u002FShannonAI\u002Fmrc-for-flat-nested-ner\u002Fissues\u002F59",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},10822,"程序运行到第一个 epoch 结束时卡住不再继续，是什么原因？","这是因为在 `bmes_decode` 解码逻辑中存在死循环 bug。当处理当前标签 `current_label = 'E'` 但其前一个标签不是 `'B'` 时，程序会陷入死循环。需要检查并修复解码部分的条件判断逻辑，确保在非 'B' 开头遇到 'E' 时能正确处理或跳过。","https:\u002F\u002Fgithub.com\u002FShannonAI\u002Fmrc-for-flat-nested-ner\u002Fissues\u002F5",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},10823,"使用新版 pytorch-lightning (1.2.10) 时无法导入 TensorMetric，该如何解决？","该项目依赖特定版本的 pytorch-lightning。请安装 `requirements.txt` 中指定的版本：`pip install pytorch-lightning==0.9.0`。如果必须使用最新版的 pytorch-lightning，则需要参考其最新文档，使用新的方式重新实现 Metrics 模块，因为旧版的 `TensorMetric` 在新版中已被移除或重构。","https:\u002F\u002Fgithub.com\u002FShannonAI\u002Fmrc-for-flat-nested-ner\u002Fissues\u002F78",[]]