ERNIE-Pytorch
ERNIE-Pytorch 是一个致力于将百度研发的 ERNIE 预训练模型从 PaddlePaddle 框架无缝迁移至 PyTorch 生态的开源项目。它主要解决了开发者因深度学习框架差异而难以直接复用 ERNIE 强大能力的痛点，让用户无需依赖 PaddlePaddle 环境，即可在主流的 Hugging Face Transformers 库中轻松加载和使用各类 ERNEI 模型。
该项目非常适合自然语言处理领域的研究人员、算法工程师以及习惯使用 PyTorch 进行开发的从业者。通过 ERNIE-Pytorch，用户可以直接调用涵盖中文、英文及医疗垂直领域的多种规格模型（如 ERNIE 3.0 系列、ERNIE-Gram 等），快速开展文本分类、语义理解等任务。其核心技术亮点在于提供了高精度的权重转换方案，经校验，转换后的 PyTorch 模型输出结果与原版 Paddle 模型高度一致，确保了性能无损。此外，随着 ERNIE 已正式合并入 Hugging Face transformers 官方库，该项目进一步降低了使用门槛，只需几行代码即可完成模型的加载与推理，极大地提升了研发效率。
使用场景
某电商公司的算法团队需要将百度研发的中文预训练模型 ERNIE 集成到现有的基于 Hugging Face Transformers 构建的推荐系统中，以提升商品评论的情感分析准确率。
没有 ERNIE-Pytorch 时
- 框架隔离导致无法复用：ERNIE 原生依赖 PaddlePaddle 框架，而团队技术栈为 PyTorch，不得不维护两套独立的推理服务，增加了运维复杂度。
- 迁移成本高昂：若要使用 ERNIE，需手动编写复杂的权重转换脚本，将 Paddle 参数逐一映射到 PyTorch 结构，极易因维度对齐错误导致模型失效。
- 生态兼容性差：无法直接利用 Hugging Face 社区成熟的 Trainer、Pipeline 等高级接口，必须重新开发数据加载和训练循环代码。
- 验证困难：缺乏官方提供的转换后权重验证机制，难以确认转换后的模型输出是否与原版保持一致，存在隐性精度损失风险。
使用 ERNIE-Pytorch 后
- 无缝接入现有架构：通过几行代码即可从 Hugging Face Hub 加载
ernie-3.0-base-zh等模型，直接融入现有的 PyTorch 训练与推理流程。 - 零成本模型迁移：无需手动转换权重，工具已提供经过严格校验的
.bin文件和配置文件，开箱即用，彻底消除人工转换错误。 - 享受完整生态红利：可直接调用 Transformers 库的标准接口进行微调（Fine-tuning）和部署，大幅缩短从实验到上线的周期。
- 结果高度一致：经过官方 Logit 检查验证，转换后的模型输出与 Paddle 原版误差极小，确保业务效果无损迁移。
ERNIE-Pytorch 打破了深度学习框架间的壁垒，让开发者能以最低成本将百度强大的中文语义理解能力无缝整合进主流的 PyTorch 生态中。
运行环境要求
未说明
未说明
快速开始
ERNIE-Pytorch
本项目旨在将 ERNIE 从 PaddlePaddle 转换为 Hugging Face 格式（使用 PyTorch）。
新闻：ERNIE 已被合并到 huggingface/transformers@v4.22.0 !!
快速开始
pip install --upgrade transformers
以 ernie-1.0-base-zh 为例：
from transformers import BertTokenizer, ErnieModel
tokenizer = BertTokenizer.from_pretrained("nghuyong/ernie-1.0-base-zh")
model = ErnieModel.from_pretrained("nghuyong/ernie-1.0-base-zh")
支持的模型
| 模型名称 | 语言 | 描述 |
|---|---|---|
| ernie-1.0-base-zh | 中文 | 层：12，头：12，隐藏层：768 |
| ernie-2.0-base-en | 英文 | 层：12，头：12，隐藏层：768 |
| ernie-2.0-large-en | 英文 | 层：24，头：16，隐藏层：1024 |
| ernie-3.0-xbase-zh | 中文 | 层：20，头：16，隐藏层：1024 |
| ernie-3.0-base-zh | 中文 | 层：12，头：12，隐藏层：768 |
| ernie-3.0-medium-zh | 中文 | 层：6，头：12，隐藏层：768 |
| ernie-3.0-mini-zh | 中文 | 层：6，头：12，隐藏层：384 |
| ernie-3.0-micro-zh | 中文 | 层：4，头：12，隐藏层：384 |
| ernie-3.0-nano-zh | 中文 | 层：4，头：12，隐藏层：312 |
| ernie-health-zh | 中文 | 层：12，头：12，隐藏层：768 |
| ernie-gram-zh | 中文 | 层：12，头：12，隐藏层：768 |
您可以在 Hugging Face 的模型库中找到所有支持的模型：huggingface.co/nghuyong，模型详细信息则可在 Paddle 的官方仓库中查阅：PaddleNLP 和 ERNIE。
详情
我想自己将模型从 Paddle 版本转换过来 😉
以下将以 ernie-1.0-base-zh 为例，展示如何进行转换。
- 下载 PaddlePaddle 版本的 ERNIE 模型。执行以下代码：
import paddlenlp
tokenizer = paddlenlp.transformers.ErnieTokenizer.from_pretrained("ernie-1.0-base-zh")
model = paddlenlp.transformers.ErnieForMaskedLM.from_pretrained("ernie-1.0-base-zh")
执行后，模型会保存在 ~/.paddlenlp/models/ernie-1.0-base-zh/ 目录下，请将其移动到本项目的路径中。
pip install -r requirements.txtpython convert.py- 现在，项目路径下会出现一个名为
convert的文件夹，其中包含三个文件：config.json、pytorch_model.bin和vocab.txt。
我想检查模型转换前后计算结果是否一致 😁
python test.py --task logit_check
输出如下：
huggingface 结果
pool 输出：[-1. -1. 0.9981035 -0.9996652 -0.78173476 -1. -0.9994901 0.97012603 0.85954666 0.9854131 ]
paddle 结果
pool 输出：[-0.99999976 -0.99999976 0.9981028 -0.9996651 -0.7815545 -0.99999976 -0.9994898 0.97014064 0.8594844 0.985419 ]
可以看出，我们转换后的版本与官方 PaddlePaddle 版本的结果完全一致。
我想复现 ERNIE 1.0 论文中的完形填空测试 😆
python test.py --task cloze_check
输出如下：
huggingface 结果
预测形状： torch.Size([47, 18000])
预测结果： ['西', '游', '记', '是', '中', '国', '神', '魔', '小', '说', '的', '经', '典', '之', '作', '，', '与', '《', '三', '国', '演', '义', '》', '《', '水', '浒', '传', '》', '《', '红', '楼', '梦', '》', '并', '称', '为', '中', '国', '古', '典', '四', '大', '名', '著', '。']
[CLS] logit： [-15.693626 -19.522263 -10.429456 ... -11.800728 -12.253127 -14.375117]
paddle 结果
预测形状： [47, 18000]
预测结果： ['西', '游', '记', '是', '中', '国', '神', '魔', '小', '说', '的', '经', '典', '之', '作', '，', '与', '《', '三', '国', '演', '义', '》', '《', '水', '浒', '传', '》', '《', '红', '楼', '梦', '》', '并', '称', '为', '中', '国', '古', '典', '四', '大', '名', '著', '。']
[CLS] logit： [-15.693538 -19.521954 -10.429307 ... -11.800765 -12.253114 -14.375412]
引用
如果您在科学出版物中使用了本工作，恳请您引用以下 BibTeX 条目：
@misc{nghuyong2019@ERNIE-Pytorch,
title={ERNIEPytorch},
author={Yong Hu},
howpublished={\url{https://github.com/nghuyong/ERNIE-Pytorch}},
year={2019}
}
常见问题
相似工具推荐
openclaw
OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。 这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。 OpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。
everything-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。 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。 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
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。
gemini-cli
gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。 这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。 它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。
markitdown
MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。 在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。 这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器