[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-naver--biobert-pretrained":3,"tool-naver--biobert-pretrained":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",140436,2,"2026-04-05T23:32:43",[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。",74939,"2026-04-05T23:16:38",[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。",70626,"2026-04-05T22:51:36",[15,14,13,36],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":79,"owner_email":80,"owner_twitter":79,"owner_website":81,"owner_url":82,"languages":79,"stars":83,"forks":84,"last_commit_at":85,"license":79,"difficulty_score":45,"env_os":78,"env_gpu":86,"env_ram":87,"env_deps":88,"category_tags":91,"github_topics":79,"view_count":10,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":92,"updated_at":93,"faqs":94,"releases":125},2656,"naver\u002Fbiobert-pretrained","biobert-pretrained","BioBERT: a pre-trained biomedical language representation model for biomedical text mining","BioBERT-pretrained 是一个专为生物医学领域打造的预训练语言模型，旨在提升机器对专业医学文本的理解能力。它基于谷歌的 BERT 架构，利用海量的 PubMed 摘要和 PubMed Central 全文数据进行深度训练，从而掌握了丰富的生物医学知识。\n\n在生物医学文本挖掘中，通用模型往往难以准确理解复杂的医学术语、基因名称或疾病关系。BioBERT-pretrained 有效解决了这一痛点，显著提升了命名实体识别、关系抽取及问答系统等任务的表现。其独特之处在于提供了多种预训练权重版本（如基于 Base 或 Large 架构，以及不同数据源组合），研究人员可根据自身算力资源灵活选择。此外，它沿用了标准的 WordPiece 分词机制，能够巧妙地将生僻医学词汇拆解为子词处理，增强了对未登录词的泛化能力。\n\n这款工具非常适合从事生物信息学研究的科研人员、开发医疗 AI 应用的工程师以及需要处理大量医学文献的数据科学家。通过直接加载这些预训练权重并进行微调，用户可以快速构建高精度的垂直领域模型，无需从零开始耗费巨资训练，极大地降低了科研与开发门槛。","# BioBERT Pre-trained Weights\n\nThis repository provides pre-trained weights of BioBERT, a language representation model for biomedical domain, especially designed for biomedical text mining tasks such as biomedical named entity recognition, relation extraction, question answering, etc.\nPlease refer to our paper [BioBERT: a pre-trained biomedical language representation model for biomedical text mining](https:\u002F\u002Farxiv.org\u002Fabs\u002F1901.08746) for more details.\n\n## Downloading pre-trained weights\nGo to [releases](https:\u002F\u002Fgithub.com\u002Fnaver\u002Fbiobert-pretrained\u002Freleases) section of this repository or click links below to download pre-trained weights of BioBERT.\nWe provide three combinations of pre-trained weights: BioBERT (+ PubMed), BioBERT (+ PMC), and BioBERT (+ PubMed + PMC).\nPre-training was based on the [original BERT code](https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Fbert) provided by Google, and training details are described in our paper. Currently available versions of pre-trained weights are as follows:\n\n* **[BioBERT-Base v1.1 (+ PubMed 1M)](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1R84voFKHfWV9xjzeLzWBbmY1uOMYpnyD\u002Fview?usp=sharing)** - based on BERT-base-Cased (same vocabulary)\n* **[BioBERT-Large v1.1 (+ PubMed 1M)](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1GJpGjQj6aZPV-EfbiQELpBkvlGtoKiyA\u002Fview?usp=sharing)** - based on BERT-large-Cased (custom 30k vocabulary), [NER\u002FQA Results](https:\u002F\u002Fgithub.com\u002Fdmis-lab\u002Fbiobert\u002Fwiki\u002FBioBERT-Large-Results)\n* **[BioBERT-Base v1.0 (+ PubMed 200K)](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F17j6pSKZt5TtJ8oQCDNIwlSZ0q5w7NNBg\u002Fview?usp=sharing)** - based on BERT-base-Cased (same vocabulary)\n* **[BioBERT-Base v1.0 (+ PMC 270K)](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1LiAJklso-DCAJmBekRTVEvqUOfm0a9fX\u002Fview?usp=sharing)** - based on BERT-base-Cased (same vocabulary)\n* **[BioBERT-Base v1.0 (+ PubMed 200K + PMC 270K)](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1jGUu2dWB1RaeXmezeJmdiPKQp3ZCmNb7\u002Fview?usp=sharing)** - based on BERT-base-Cased (same vocabulary)\n\nMake sure to specify the versions of pre-trained weights used in your works.\nIf you have difficulty choosing which one to use, we recommend using **BioBERT-Base v1.1 (+ PubMed 1M)** or **BioBERT-Large v1.1 (+ PubMed 1M)** depending on your GPU resources.\nNote that for BioBERT-Base, we are using WordPiece vocabulary (`vocab.txt`) provided by Google as any new words in biomedical corpus can be represented with subwords (for instance, Leukemia => Leu + ##ke + ##mia).\nMore details are in the closed [issue #1](https:\u002F\u002Fgithub.com\u002Fnaver\u002Fbiobert-pretrained\u002Fissues\u002F1).\n\n## Pre-training corpus\nWe do not provide pre-processed version of each corpus. However, each pre-training corpus could be found in the following links:\n*   **`PubMed Abstracts1`**: ftp:\u002F\u002Fftp.ncbi.nlm.nih.gov\u002Fpubmed\u002Fbaseline\u002F\n*   **`PubMed Abstracts2`**: ftp:\u002F\u002Fftp.ncbi.nlm.nih.gov\u002Fpubmed\u002Fupdatefiles\u002F\n*   **`PubMed Central Full Texts`**: ftp:\u002F\u002Fftp.ncbi.nlm.nih.gov\u002Fpub\u002Fpmc\u002Foa_bulk\u002F\n\nEstimated size of each corpus is 4.5 billion words for **`PubMed Abstracts1`** + **`PubMed Abstracts2`**, and 13.5 billion words for **`PubMed Central Full Texts`**.\n\n## Fine-tuning BioBERT\nTo fine-tunine BioBERT on biomedical text mining tasks using provided pre-trained weights, refer to the [DMIS GitHub repository for BioBERT](https:\u002F\u002Fgithub.com\u002Fdmis-lab\u002Fbiobert).\n\n## Citation\n```\n@article{10.1093\u002Fbioinformatics\u002Fbtz682,\n    author = {Lee, Jinhyuk and Yoon, Wonjin and Kim, Sungdong and Kim, Donghyeon and Kim, Sunkyu and So, Chan Ho and Kang, Jaewoo},\n    title = \"{BioBERT: a pre-trained biomedical language representation model for biomedical text mining}\",\n    journal = {Bioinformatics},\n    year = {2019},\n    month = {09},\n    issn = {1367-4803},\n    doi = {10.1093\u002Fbioinformatics\u002Fbtz682},\n    url = {https:\u002F\u002Fdoi.org\u002F10.1093\u002Fbioinformatics\u002Fbtz682},\n}\n```\n\n## Contact information\nFor help or issues using pre-trained weights of BioBERT, please submit a GitHub issue. Please contact Jinhyuk Lee\n(`lee.jnhk@gmail.com`), or Sungdong Kim (`sungdong.kim@navercorp.com`) for communication related to pre-trained weights of BioBERT.\n","# BioBERT 预训练权重\n\n本仓库提供了 BioBERT 的预训练权重，BioBERT 是一种专为生物医学领域设计的语言表示模型，尤其适用于生物医学文本挖掘任务，如生物医学命名实体识别、关系抽取、问答等。更多详细信息请参阅我们的论文《BioBERT：用于生物医学文本挖掘的预训练生物医学语言表示模型》（https:\u002F\u002Farxiv.org\u002Fabs\u002F1901.08746）。\n\n## 下载预训练权重\n请前往本仓库的 [releases](https:\u002F\u002Fgithub.com\u002Fnaver\u002Fbiobert-pretrained\u002Freleases) 页面，或点击下方链接下载 BioBERT 的预训练权重。我们提供了三种组合的预训练权重：BioBERT (+ PubMed)、BioBERT (+ PMC)，以及 BioBERT (+ PubMed + PMC)。\n\n预训练基于 Google 提供的 [原始 BERT 代码](https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Fbert)，训练细节已在我们的论文中详细说明。目前可用的预训练权重版本如下：\n\n* **[BioBERT-Base v1.1 (+ PubMed 1M)](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1R84voFKHfWV9xjzeLzWBbmY1uOMYpnyD\u002Fview?usp=sharing)** - 基于 BERT-base-Cased（词汇表相同）\n* **[BioBERT-Large v1.1 (+ PubMed 1M)](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1GJpGjQj6aZPV-EfbiQELpBkvlGtoKiyA\u002Fview?usp=sharing)** - 基于 BERT-large-Cased（自定义 3 万词汇表），[NER\u002FQA 结果](https:\u002F\u002Fgithub.com\u002Fdmis-lab\u002Fbiobert\u002Fwiki\u002FBioBERT-Large-Results)\n* **[BioBERT-Base v1.0 (+ PubMed 200K)](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F17j6pSKZt5TtJ8oQCDNIwlSZ0q5w7NNBg\u002Fview?usp=sharing)** - 基于 BERT-base-Cased（词汇表相同）\n* **[BioBERT-Base v1.0 (+ PMC 270K)](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1LiAJklso-DCAJmBekRTVEvqUOfm0a9fX\u002Fview?usp=sharing)** - 基于 BERT-base-Cased（词汇表相同）\n* **[BioBERT-Base v1.0 (+ PubMed 200K + PMC 270K)](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1jGUu2dWB1RaeXmezeJmdiPKQp3ZCmNb7\u002Fview?usp=sharing)** - 基于 BERT-base-Cased（词汇表相同）\n\n请务必在您的研究工作中注明所使用的预训练权重版本。如果您难以选择使用哪一种，我们建议根据您的 GPU 资源情况，选择 **BioBERT-Base v1.1 (+ PubMed 1M)** 或 **BioBERT-Large v1.1 (+ PubMed 1M)**。\n\n需要注意的是，对于 BioBERT-Base 模型，我们使用了 Google 提供的 WordPiece 词汇表 (`vocab.txt`)。这是因为生物医学语料库中的新词都可以通过子词单元来表示（例如，Leukemia => Leu + ##ke + ##mia）。更多详细信息请参阅已关闭的 [issue #1](https:\u002F\u002Fgithub.com\u002Fnaver\u002Fbiobert-pretrained\u002Fissues\u002F1)。\n\n## 预训练语料\n我们并未提供各语料的预处理版本。不过，您可以通过以下链接找到各个预训练语料：\n*   **`PubMed Abstracts1`**：ftp:\u002F\u002Fftp.ncbi.nlm.nih.gov\u002Fpubmed\u002Fbaseline\u002F\n*   **`PubMed Abstracts2`**：ftp:\u002F\u002Fftp.ncbi.nlm.nih.gov\u002Fpubmed\u002Fupdatefiles\u002F\n*   **`PubMed Central 全文`**：ftp:\u002F\u002Fftp.ncbi.nlm.nih.gov\u002Fpub\u002Fpmc\u002Foa_bulk\u002F\n\n预计每个语料的规模分别为：**`PubMed Abstracts1`** + **`PubMed Abstracts2`** 约 45 亿词，**`PubMed Central 全文`** 约 135 亿词。\n\n## 微调 BioBERT\n要使用提供的预训练权重对 BioBERT 进行微调以完成生物医学文本挖掘任务，请参考 [DMIS 的 BioBERT GitHub 仓库](https:\u002F\u002Fgithub.com\u002Fdmis-lab\u002Fbiobert)。\n\n## 引用\n```\n@article{10.1093\u002Fbioinformatics\u002Fbtz682,\n    author = {Lee, Jinhyuk and Yoon, Wonjin and Kim, Sungdong and Kim, Donghyeon and Kim, Sunkyu and So, Chan Ho and Kang, Jaewoo},\n    title = \"{BioBERT: a pre-trained biomedical language representation model for biomedical text mining}\",\n    journal = {Bioinformatics},\n    year = {2019},\n    month = {09},\n    issn = {1367-4803},\n    doi = {10.1093\u002Fbioinformatics\u002Fbtz682},\n    url = {https:\u002F\u002Fdoi.org\u002F10.1093\u002Fbioinformatics\u002Fbtz682},\n}\n```\n\n## 联系方式\n如在使用 BioBERT 预训练权重时遇到任何问题或需要帮助，请提交 GitHub issue。有关 BioBERT 预训练权重的相关沟通，请联系 Jinhyuk Lee（`lee.jnhk@gmail.com`）或 Sungdong Kim（`sungdong.kim@navercorp.com`）。","# BioBERT Pre-trained 快速上手指南\n\nBioBERT 是专为生物医学领域设计的预训练语言模型，适用于命名实体识别（NER）、关系抽取、问答系统等生物医学文本挖掘任务。本指南将帮助您快速下载权重并集成到项目中。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：Linux, macOS 或 Windows\n*   **Python 版本**：3.6 或更高\n*   **深度学习框架**：TensorFlow 1.x 或 PyTorch (需配合 `transformers` 库)\n*   **硬件建议**：\n    *   **GPU**：推荐使用 NVIDIA GPU 以加速推理和微调。\n    *   **显存**：\n        *   `BioBERT-Base` 系列：建议至少 8GB 显存。\n        *   `BioBERT-Large` 系列：建议至少 16GB 显存。\n*   **前置依赖**：\n    ```bash\n    pip install tensorflow-gpu # 或 torch transformers\n    ```\n\n## 安装与权重下载\n\nBioBERT 本身不提供独立的 Python 安装包，而是提供预训练权重文件。您需要先下载权重，然后加载到 BERT 架构中。\n\n### 1. 选择模型版本\n根据您的显存资源和任务需求，选择合适的版本：\n*   **推荐（平衡性能与资源）**：`BioBERT-Base v1.1 (+ PubMed 1M)`\n*   **高性能（需大显存）**：`BioBERT-Large v1.1 (+ PubMed 1M)`\n*   **旧版本兼容**：v1.0 系列（基于较少数据预训练）\n\n### 2. 下载权重\n由于官方链接指向 Google Drive，国内用户下载可能较慢。您可以使用以下命令配合 `gdown` 工具下载，或手动访问链接下载后放入本地目录。\n\n**安装下载工具：**\n```bash\npip install gdown\n```\n\n**下载推荐版本 (BioBERT-Base v1.1):**\n```bash\ngdown --id 1R84voFKHfWV9xjzeLzWBbmY1uOMYpnyD\nunzip biobert_v1.1_pubmed.zip\n```\n*注：解压后将得到 `bert_config.json`, `biobert_model.ckpt.*`, `vocab.txt` 等文件。*\n\n> **提示**：如果您使用 Hugging Face `transformers` 库，可以直接通过模型名称加载（如果社区已上传转换后的版本），例如 `dmis-lab\u002Fbiobert-v1.1-pubmed`，无需手动下载文件。\n\n## 基本使用\n\n以下展示如何使用 Hugging Face `transformers` 库加载 BioBERT 进行简单的文本编码（这是最通用的方式）。\n\n### 方案 A：直接通过 Transformers 加载（推荐）\n如果您能访问 Hugging Face Hub，这是最简单的方法。\n\n```python\nfrom transformers import AutoTokenizer, AutoModel\nimport torch\n\n# 加载分词器和模型\n# 注意：模型名称对应 dmis-lab 在 HF 上托管的版本\nmodel_name = \"dmis-lab\u002Fbiobert-v1.1-pubmed\"\n\ntokenizer = AutoTokenizer.from_pretrained(model_name)\nmodel = AutoModel.from_pretrained(model_name)\n\n# 准备生物医学文本\ntext = \"Leukemia is a type of cancer found in the blood and bone marrow.\"\n\n# 编码输入\ninputs = tokenizer(text, return_tensors=\"pt\", truncation=True, padding=True)\n\n# 获取模型输出\nwith torch.no_grad():\n    outputs = model(**inputs)\n\n# last_hidden_state 形状: [batch_size, sequence_length, hidden_size]\nlast_hidden_states = outputs.last_hidden_state\n\nprint(f\"输入令牌数：{inputs['input_ids'].shape[1]}\")\nprint(f\"输出向量维度：{last_hidden_states.shape}\")\n```\n\n### 方案 B：加载本地下载的权重\n如果您已手动下载了 `.ckpt` 文件（TensorFlow 格式），通常需要先将其转换为 PyTorch 格式，或者直接使用 TensorFlow 代码加载。以下是使用 `transformers` 加载本地转换后文件夹的示例：\n\n```python\nfrom transformers import BertTokenizer, BertModel\n\n# 指向您解压后的本地文件夹路径\nlocal_model_path = \".\u002Fbiobert_v1.1_pubmed\" \n\n# 初始化分词器 (BioBERT Base 使用 Google 原始的 vocab.txt)\ntokenizer = BertTokenizer.from_pretrained(local_model_path)\n\n# 加载模型\nmodel = BertModel.from_pretrained(local_model_path)\n\ntext = \"The patient was diagnosed with acute myeloid leukemia.\"\ninputs = tokenizer(text, return_tensors=\"pt\")\n\noutputs = model(**inputs)\nprint(\"Model loaded successfully from local path.\")\n```\n\n### 下一步：微调模型\n上述示例仅展示了如何提取特征。若要针对特定任务（如 NER、问答）进行微调，请参考官方微调代码库：\n*   **DMIS BioBERT GitHub**: https:\u002F\u002Fgithub.com\u002Fdmis-lab\u002Fbiobert\n\n---\n*引用说明：若在研究中使用此模型，请务必引用原文：Lee, J., et al. \"BioBERT: a pre-trained biomedical language representation model for biomedical text mining.\" Bioinformatics (2019).*","某生物制药公司的研发数据团队正致力于从海量医学文献中自动提取药物与靶点蛋白的相互作用关系，以加速新药筛选流程。\n\n### 没有 biobert-pretrained 时\n- **术语理解偏差**：通用 NLP 模型无法准确识别\"Leukemia\"等专业医学术语，常将其错误拆解或忽略，导致实体抽取准确率极低。\n- **标注成本高昂**：由于缺乏领域先验知识，团队需人工标注数万条医学文本进行从头训练，耗时数月且依赖昂贵的医学专家资源。\n- **上下文语义丢失**：模型难以理解复杂的生物医学句式（如双重否定或长距离依赖），在判断药物与副作用的因果关系时频繁误判。\n- **迭代周期漫长**：每次调整实验参数都需要重新训练庞大的基础模型，算力消耗巨大，严重拖慢研发进度。\n\n### 使用 biobert-pretrained 后\n- **领域术语精通**：biobert-pretrained 基于 PubMed 和 PMC 千万级文献预训练，能精准利用子词（WordPiece）技术处理生僻医学词汇，实体识别 F1 值显著提升。\n- **冷启动效率飞跃**：团队直接加载预训练权重进行微调，仅需少量标注数据即可达到高可用状态，将项目启动时间从数月缩短至数天。\n- **复杂逻辑洞察**：模型深刻掌握生物医学语境，能准确解析文献中隐含的药物 - 靶点相互作用关系，大幅降低关系抽取的误报率。\n- **资源投入优化**：得益于高质量的初始化参数，微调过程收敛更快，显著减少了 GPU 训练时长和算力成本，让团队能更专注于业务逻辑优化。\n\nbiobert-pretrained 通过将通用的语言理解能力转化为专业的生物医学洞察，彻底解决了垂直领域数据稀疏与专业术语理解的难题，成为生物医药文本挖掘的高效加速器。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnaver_biobert-pretrained_cd948e50.png","naver","NAVER","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fnaver_b4681208.png","",null,"opensource@navercorp.com","http:\u002F\u002Fdevelopers.naver.com","https:\u002F\u002Fgithub.com\u002Fnaver",706,91,"2026-02-28T07:27:41","未说明（文中仅提及根据 GPU 资源选择 Base 或 Large 版本，未指定具体型号、显存或 CUDA 版本）","未说明",{"notes":89,"python":87,"dependencies":90},"该仓库仅提供预训练权重文件，不包含运行代码。微调任务需参考 DMIS 实验室的 BioBERT 代码库（基于 Google 原始 BERT 代码）。提供多种版本（Base\u002FLarge v1.0\u002Fv1.1），训练数据涵盖 PubMed 和 PMC。Base 版本使用 Google 提供的 WordPiece 词表，Large 版本使用自定义的 30k 词表。",[],[15],"2026-03-27T02:49:30.150509","2026-04-06T08:40:09.704582",[95,100,105,110,115,120],{"id":96,"question_zh":97,"answer_zh":98,"source_url":99},12298,"运行脚本时提示找不到 'biobert_model.ckpt' 文件，应该如何指定正确的检查点路径？","下载的文件中通常没有名为 'biobert_model.ckpt' 的文件，而是包含带有数字后缀的文件（如 model.ckpt-1000000.data-xxx, model.ckpt-1000000.index, model.ckpt-1000000.meta）。您需要修改 `--init_checkpoint` 参数，去掉扩展名（如 .meta 或 .data），直接使用基础文件名。例如：`--init_checkpoint=$BIOBERT_DIR\u002Fmodel.ckpt-1000000`。","https:\u002F\u002Fgithub.com\u002Fnaver\u002Fbiobert-pretrained\u002Fissues\u002F8",{"id":101,"question_zh":102,"answer_zh":103,"source_url":104},12299,"BioBERT 是否使用自定义词汇表？应该使用哪个 vocab.txt 文件？","BioBERT 使用了 BERT-base Cased 的词汇表，因为大小写在生物医学文本中往往很重要。虽然 BioBERT 是在生物医学语料上预训练的，但其分词器（Tokenizer）与标准的 BERT 分词器完全相同。您可以直接使用预训练 BioBERT 文件中提供的 vocab.txt，或者使用兼容的 BERT Cased vocab.txt。","https:\u002F\u002Fgithub.com\u002Fnaver\u002Fbiobert-pretrained\u002Fissues\u002F1",{"id":106,"question_zh":107,"answer_zh":108,"source_url":109},12300,"如何获取用于从头训练 BioBERT 的 PubMed 摘要和全文语料？","官方建议查看项目 README 中的预训练语料说明。如果需要自行获取 PubMed 摘要，可以使用 Python 的 `Entrez` 库通过 API 下载。示例代码如下：\n```\nhandle = Entrez.efetch(db='pubmed', retmode='text', rettype='Abstract', id=pubmed_id, api_key='your_api_key')\nresults = handle.read()\n```\n注意：您需要申请自己的 PubMed API Key 并遵守使用限制。","https:\u002F\u002Fgithub.com\u002Fnaver\u002Fbiobert-pretrained\u002Fissues\u002F17",{"id":111,"question_zh":112,"answer_zh":113,"source_url":114},12301,"如何在 bert-as-service 中使用 BioBERT 模型？","BioBERT 是预训练模型，可以直接用于 bert-as-service 来获取上下文嵌入，因为它们没有添加特定任务的层。使用时，确保加载的是共享层权重的检查点（checkpoint）。如果您进行了微调（Fine-tuning），模型会包含特定任务层，这可能会影响 bert-as-service 的池化操作，因此建议直接使用预训练权重进行编码服务。","https:\u002F\u002Fgithub.com\u002Fnaver\u002Fbiobert-pretrained\u002Fissues\u002F7",{"id":116,"question_zh":117,"answer_zh":118,"source_url":119},12302,"预训练后只保存了 .params 和 .states 文件，如何将其转换为可用的模型以获取上下文嵌入？","如果您使用的是 MXNet 或其他非 TensorFlow 框架运行的预训练脚本生成了 .params 和 .states 文件，而官方提供的 BioBERT 权重是基于 TensorFlow 的 (.ckpt)，建议直接下载官方发布的 TensorFlow 检查点文件（.ckpt, .index, .meta）以便与标准 BERT 工具链（如 run_ner.py 或 bert-as-service）兼容。如果必须转换，需要使用框架间的模型转换工具将 .params\u002F.states 转为 TensorFlow 格式，但这通常比较复杂且非官方推荐路径。","https:\u002F\u002Fgithub.com\u002Fnaver\u002Fbiobert-pretrained\u002Fissues\u002F4",{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},12303,"在哪里可以找到 BioBERT 的分词器配置文件（如 tokenizer_config.json, special_tokens_map.json）？","BioBERT 的分词器与原始 BERT 分词器完全相同，因此不需要单独的 BioBERT 特有配置文件。您可以直接使用随预训练权重提供的 vocab.txt 文件，并通过 `BertTokenizer.from_pretrained('path\u002Fto\u002Fvocab.txt')` 加载。那些缺失的 json 配置文件通常是 Hugging Face Transformers 库较新版本生成的，对于基础用法，直接使用 vocab.txt 即可兼容。","https:\u002F\u002Fgithub.com\u002Fnaver\u002Fbiobert-pretrained\u002Fissues\u002F11",[126,131,136,141],{"id":127,"version":128,"summary_zh":129,"released_at":130},62683,"v1.1-pubmed","BioBERT v1.1 预训练权重（+PubMed 100万）","2019-05-16T08:52:17",{"id":132,"version":133,"summary_zh":134,"released_at":135},62684,"v1.0-pubmed-pmc","BioBERT v1.0 的预训练权重（+PubMed 20万 + PMC 27万）\n我们去除了优化器参数，文件大小已降至400 MB以下。","2019-01-28T02:30:16",{"id":137,"version":138,"summary_zh":139,"released_at":140},62685,"v1.0-pmc","BioBERT v1.0（+PMC 27万）预训练权重（已弃用）\n我们去除了优化器参数，文件大小已降至400MB以下。","2019-01-28T02:29:48",{"id":142,"version":143,"summary_zh":144,"released_at":145},62686,"v1.0-pubmed","BioBERT v1.0 的预训练权重（+PubMed 20万）\r\n我们去除了优化器参数，文件大小已降至400 MB以下。","2019-01-28T02:29:43"]