AI领域常用大模型地址以及简介

一、计划

现在大模型比较多，平时需要调试对比，就把这些大模型简单一个收集。
不断收集，不断学习

二、模块划分

1. nlp领域

文本生成

2. 知识图谱

（1.）信息抽取

通用信息抽取 UIE(Universal Information Extraction)
UIE(Universal Information Extraction)：Yaojie Lu等人在ACL-2022中提出了通用信息抽取统一框架UIE。该框架实现了实体抽取、关系抽取、事件抽取、情感分析等任务的统一建模，并使得不同任务间具备良好的迁移和泛化能力。为了方便大家使用UIE的强大能力，PaddleNLP借鉴该论文的方法，基于ERNIE 3.0知识增强预训练模型，训练并开源了首个中文通用信息抽取模型UIE。该模型可以支持不限定行业领域和抽取目标的关键信息抽取，实现零样本快速冷启动，并具备优秀的小样本微调能力，快速适配特定的抽取目标。

（2.）实体识别关系抽取数据集

多领域数据集

（3.）一些较为完成的图谱项目

项目地址

（4.）阿里藏经阁

藏经阁
在商业知识图谱数据开放基础之上，我们还开放了部分知识图谱技术平台能力，开源了若干知识图谱构建、融合、推理和应用工具，以促进知识图谱技术社区的发展。

1. DeepKE
   DeepKE 是一个支持低资源、长篇章的知识图谱抽取工具，用户可以定制输入的数据集和模型实现命名实体识别、关系抽取、属性抽取等知识图谱构建功能。

2. NeuralKG
   是一个通用的知识图谱神经网络表示学习工具，其包含常用的知识图谱嵌入模型、基于图神经网络的图谱推理模型，以及多个规则增强推理模型

3. OpenUE
   OpenUE是一个轻量级知识图谱抽取工具，其实现了在一个统一通用的框架下实现实体关系、事件识别、以及槽位和意图抽取等多种知识图谱构建任务。

4. PromptKG
   PromptKGC（Incoming）是一个基于Pretrain-Prompt-Fitune预训练范式的知识图谱抽取和补全工具，支持文本生成等多种应用和任务。

5. FastKGE
   是一个轻量级知识图谱表示学习框架，其通过知识图谱蒸馏等方法，实现快速、高效的实体向量学习，可支持知识图谱模型的快速部署，以及在移动、边缘设备应用部署。