北理工校友发明文言文“填词大师”，断句、造词都能做，高考文言文满分靠它了
“李白的词选得都没我好”
萧箫 发自 凹非寺
量子位 报道 | 公众号 QbitAI
都说GPT-3能接人话，补充上下文关系，中文版的“填词大师”你见过没？
不仅是中文版，这个“填词大师”甚至还是从古代穿越过来的文言文版。
这是两个来自北理工的小哥做出的模型GuwenBERT，经过训练后的模型，不仅能自动帮助文言文断句，还能帮你思考被遮住的词语到底是什么。（真没有用原诗骗你）
要是这个模型去参加高考，文言文断句、诗词背诵部分，岂不是都能拿满分？
来看看它是怎么被做出来的~
文言文版BERT，填词断句样样通
GuwenBERT，是在中文BERT-wwm模型的基础上，利用古文数据集训练出来的。
中文BERT-wwm（基于全词遮罩技术的中文预训练模型）是哈工大和讯飞联合发表的模型，在中文BERT的基础上，修改了预训练阶段的训练样本生成策略。
全词遮罩（Whole Word Masking），指原来的遮罩（mask）只随机遮一个字，现在则会对一个词的所有字进行遮罩。
但中文BERT-wwm，是针对现代汉语训练的模型。
经受过文言文“毒打”的小伙伴都知道，古文不仅词法与现代汉语中多存在不同，而且没有断句，理解起来费神费力。
想要在大量古籍中按图索骥，快速查找到想要的资料，更是难上加难。
为此，GuwenBERT横空出世，根据已有的现代汉语模型，用古文数据集训练出了文言文预训练模型。预训练的过程是这样的：
目前，这个模型已经给出了样本，在线就能一试文言文版BERT的功力。
调戏Demo的方法是，随便给一句古文，用[MASK]遮住其中一个字、或是一个标点，让GuwenBERT来猜猜看，你遮住的到底是什么。
例如，遮住一个逗号，看文言文会不会断句。BERT在思考了不到一秒后，就给出了自己的答案：
至于填词方面，文言文BERT的表现也很优秀，在思考了一会后，填上了正确的词语。
是不是感觉有点简单？我们用课文来试一下：
效果竟然也不错，要是这样的理解能力去参加高考，岂不是就能拿个默写部分的满分了？
其实不然，这个文言文BERT，并不是根据记忆来判断如何填词，只是根据训练后的模型，来预测“概率最大的字”。
于是在测试过程中，出现了一些神奇的事情：这个文言文BERT，不仅能接梗造词，甚至还给李白诗中的字“推荐”了更好的替代者。
接梗造词样样会，李白的诗也能改
举个例子，即使输入的不是原来的诗句，文言文BERT也同样能预测出被遮住的字，不仅能随便接梗，还面不改色心不跳。
例如，“垂死病中惊坐起，笑问客从何处来”也能接……（原诗是？）
一旦涉及动词的选取，GuwenBERT的预测就更加难以捉摸，因为可选的范围太大了。（中文博大精深）
例如，将“不及汪伦送我情”的“送”字遮住的话，GuwenBERT就开始感到迷茫，即使是预测率最高的“知”，也只有15.7%的概率。
“不及汪伦知我情”，想必BERT版李白，内心一定认为汪伦是自己高山流水一般难得遇见的知音。
在断句的情况下，如果并非对仗工整的语句，GuwenBERT也要好好思考一会。
虽然文言文BERT有自己的想法，不过它还是“循规蹈矩”的，目前在测试时，语法上还没有出现太大的问题。
甚至，还能为古人们的写作提供别样的灵感。
但文言文BERT目前还只能遮罩一个字，要是多了几个，它就不跟你玩了。
不知道作者以后会不会在这方面进一步加上新功能。
作者介绍
这个文言文BERT的作者，是两位来自北理工的同学。
阎覃，来自北京理工大学，目前是计算机科学与技术专业的一名硕士生。
这位小哥在GitHub的名字是Ethan，他还特意选择了某些日期来contribution，把自己的名字拼了上去。
迟泽闻，同样来自北京理工大学，目前的研究工作主要是通过预训练来进行跨语言的自然语言生成。
目前，模型的相关代码已经开源，想要了解的小伙伴，可以在下方试玩模型、或是查看代码。
这样的文言文BERT，你觉得还能用在哪些地方呢？
欢迎留言讨论~
demo在线可玩：
https://huggingface.co/ethanyt/guwenbert-base
模型地址：
https://github.com/Ethan-yt/guwenbert
参考链接：
https://zhuanlan.zhihu.com/p/275970135
https://www.linkedin.com/in/ethanyan/
- 首个GPT-4驱动的人形机器人！无需编程+零样本学习，还可根据口头反馈调整行为2023-12-13
- IDC霍锦洁：AI PC将颠覆性变革PC产业2023-12-08
- AI视觉字谜爆火！梦露转180°秒变爱因斯坦，英伟达高级AI科学家：近期最酷的扩散模型2023-12-03
- 苹果大模型最大动作：开源M芯专用ML框架，能跑70亿大模型2023-12-07
