几个zero-shot-classification 中文模型的比较

 zero-shot-classification里面有好几个中文模型，怎么知道哪个模型最好，下面是我对于最简单的问题进行的测试

1、facebook/bart-large-mnli

• 模型特点：facebook/bart-large-mnli 是一个多任务学习模型，基于 BART 结构，并在多语言推理任务上进行了训练（包括中文）。它支持零样本分类任务，能够根据给定的文本和标签，预测哪个标签最符合文本内容。
• 适用场景：适用于意图识别、文本分类等任务，尤其是在标签集合较大的情况下。
• 运行结果如下
• 模型有1.6G，结果0.33XX 

2、uer/roberta-base-chinese-extractive-qa

• 模型特点：uer/roberta-base-chinese-extractive-qa 是 RoBERTa 的中文版本，适用于文本理解任务，包括提取式问答和分类。虽然它专注于问答任务，但也可以通过零样本分类方法用于意图识别。
• 适用场景：适用于基于 RoBERTa 的中文意图识别、问答系统等。

  classifier = pipeline("zero-shot-classification", model="uer/roberta-base-chinese-extractive-qa")
  text = "嗯"
  labels = ["同意", "不同意", "不知道"]
  result = classifier(text, labels)
  print(result)

  也是 0.33左右

3、IDEA-CCNL/Erlangshen-Roberta-110M-NLI

• 模型特点：Erlangshen-Roberta-110M-NLI 是由 IDEA-CCNL 提供的一个中文 RoBERTa 变种模型，专门针对中文自然语言推理任务（NLI）进行了优化。它能够在没有训练的情况下处理零样本分类任务，适用于中文意图识别等任务。
• 适用场景：非常适合中文的意图识别、情感分析、文本分类等任务。

• from transformers import pipeline
  classifier = pipeline("zero-shot-classification", model="IDEA-CCNL/Erlangshen-Roberta-110M-NLI")
  text = "嗯"
  labels = ["同意", "不同意", "不知道"]
  result = classifier(text, labels)
  print(result)

  

• 0.83 的识别率，很高