unilm
22,242
Stars
2,699
Forks
292
Watchers
691
Open Issues
MIT
许可证
Python
语言
2019-07-23
创建时间
2026-09-21
最近更新
项目能做什么
微软开源的大规模自监督预训练研究项目,跨越多种任务、语言和模态。
来源:AI 基于仓库事实生成
· 内容以仓库实际 README 为准
使用说明 查看原始 README 原仓库文档
中文使用说明暂未生成。下面保留原仓库 README 摘录,命令与配置均以原文为准。
原始 README 摘录(英文原文,节选前 3000 字符)
<!--# Large-scale Self-supervised Pre-training Across Tasks, Languages, and Modalities--> ## [aka.ms/GeneralAI](https://aka.ms/GeneralAI) # Hiring We are hiring at all levels (including FTE researchers and interns)! If you are interested in working with us on Foundation Models (aka large-scale pre-trained models) and General AI, NLP, MT, Speech, Document AI and Multimodal AI, please send your resume to <a href="mailto:fuwei@microsoft.com" class="x-hidden-focus">fuwei@microsoft.com</a>. # Foundation Architecture ### TorchScale - A Library of Foundation Architectures ([repo](https://github.com/microsoft/torchscale)) Fundamental research to develop new architectures for foundation models and AI, focusing on modeling generality and capability, as well as training stability and efficiency. > Stability - [**DeepNet**](https://github.com/microsoft/unilm/tree/master/deepnet): scaling Transformers to 1,000 Layers and beyond > Generality - [**Foundation Transformers (Magneto)**](https://arxiv.org/abs/2210.06423): towards true general-purpose modeling across tasks and modalities (including language, vision, speech, and multimodal) > Capability - A [**Length-Extrapolatable**](https://arxiv.org/abs/2212.10554) Transformer > Efficiency & Transferability - [**X-MoE**](https://github.com/microsoft/unilm/tree/master/xmoe): scalable & finetunable sparse Mixture-of-Experts (MoE) ### The Revolution of Model Architecture > [**BitNet**](https://arxiv.org/abs/2310.11453): 1-bit Transformers for Large Language Models > [**RetNet**](https://arxiv.org/abs/2307.08621): Retentive Network: A Successor to Transformer for Large Language Models > [**LongNet**](https://arxiv.org/abs/2307.02486): Scaling Transformers to 1,000,000,000 Tokens # Foundation Models ### The Evolution of (M)LLM (Multimodal LLM) > [**Kosmos-2.5**](https://github.com/microsoft/unilm/tree/master/kosmos-2.5): **A Multimodal Literate Model** > [**Kosmos-2**](https://github.com/microsoft/unilm/tree/master/kosmos-2): **Grounding Multimodal Large Language Models to the World** > [**Kosmos-1**](https://arxiv.org/abs/2302.14045): **A Multimodal Large Language Model (MLLM)** > [**MetaLM**](https://github.com/microsoft/unilm/tree/master/metalm): **Language Models are General-Purpose Interfaces** **The Big Convergence** - Large-scale self-supervised pre-training across ```tasks``` (predictive and generative), ```languages``` (100+ languages), and ```modalities``` (language, image, audio, layout/format + language, vision + language, audio + language, etc.) <!--## Large-scale Self-supervised Pre-training Across Tasks, Languages, and Modalities--> ### Language & Multilingual > [**UniLM**](https://github.com/microsoft/unilm/tree/master/unilm): unified pre-training for language understanding and generation > [**InfoXLM/XLM-E**](https://github.com/microsoft/unilm/tree/master/infoxlm): multilingual/cross-lingual pre-trained models for 100+ languages > [**DeltaLM/mT6**](https://github.com/microsoft/unil阅读完整原文
商业机会分析 AI 生成
基于 LayoutLM/TrOCR 的垂直行业文档智能抽取引擎
| 产品构想 | 将仓库中分散的 LayoutLM/LayoutXLM/TrOCR 模型与开源OCR引擎打通,打包为开箱即用的高精度表单、发票、合同键值对(K-V)提取端到端容器化服务与API。 |
| 核心功能 | PDF/图像预处理与自适应OCR管线、版面分析与表格结构恢复、基于预训练模型的零样本/少样本K-V键值对提取、标准化RESTful API输出。 |
| 目标用户 | 中小型外贸企业、财税服务商、需要快速集成文档结构化提取能力的SaaS开发者。 |
| 难度/周期 | 中等 · 1-2个月 · 成本:GPU开发与微调测试机器租赁成本(约$200-$500/月)。 |
| 收费模式 | 按抽取页数/调用次数计费的API接口订阅,或按实例授权的私有化Docker部署授权费。 |
| 竞争风险 | 面对通用多模态大模型(如GPT-4o)视觉能力的平替竞争,需依靠吞吐效率、成本优势及本地私有化优势构建壁垒。 |
| 依据 | 数据支持的判断 |
私有化文档AI微调与标注协同工具箱
| 产品构想 | 针对企业复杂特种凭证(如医疗单据、海关报关单),提供基于 UniLM 相关文档模型的半监督主动学习标注与一键微调导出工作流。 |
| 核心功能 | 弱标注自动预打标、版面与实体级交互式校验界面、针对LayoutLM微调的自动化超参配置、一键导出ONNX/TensorRT推理镜像。 |
| 目标用户 | 政企数字化服务集成商、医疗与法律机构IT部门。 |
| 难度/周期 | 高 · 2-3个月 · 成本:前端标注UI开发成本、多卡微调测试算力成本(约$500-$1000/月)。 |
| 收费模式 | 企业软件许可证买断/年费,以及定制化单据模型训练与工程落地交付服务。 |
| 竞争风险 | B端交付周期较长,客户对文档样式变化后的泛化能力容忍度较低。 |
| 依据 | AI推测 |
基于 MiniLM/BitNet 的超低成本端侧/CPU向量嵌入服务
| 产品构想 | 利用仓库中的 MiniLM 和量化模型技术(如BitNet),构建极致优化、无需GPU即可高吞吐运行的轻量级文本检索与语义相似度微服务。 |
| 核心功能 | 基于CPU指令集(AVX-512/NEON)深化的量化推理库、单核极低内存占用的向量计算引擎、与主流向量数据库(Milvus/Qdrant)即插即用的中间件适配。 |
| 目标用户 | 成本敏感型中小团队、边缘计算设备开发者、自建轻量级RAG检索系统的开发者。 |
| 难度/周期 | 中等 · 1个月 · 成本:轻量测试服务器与嵌入式开发板测试成本(约$100-$300)。 |
| 收费模式 | 商用运行时SDK授权,或针对私有化硬件架构的定制优化咨询费用。 |
| 竞争风险 | 开源社区通用轻量级Embedding模型(如BGE-small、all-MiniLM)竞争激烈,需要通过极致的低延迟和资源消耗体现差异化。 |
| 依据 | 尚需验证的假设 |
AI 基于仓库公开数据分析生成,含推测成分,不构成收益承诺。
报告会保存到 个人中心
竞品与相似项目 GitHub Search 真实检索
| 项目 | 中文简介 | Stars | 语言 |
|---|---|---|---|
| open-mmlab/mmpretrain | 中文介绍暂未生成 OpenMMLab Pre-training Toolbox and Benchmark |
3,863 | Python |
| open-mmlab/mmselfsup | 中文介绍暂未生成 OpenMMLab Self-Supervised Learning Toolbox and Benchmark |
3,305 | Python |
| leondgarse/keras_cv_attention_models | 中文介绍暂未生成 Keras beit,caformer,CMT,CoAtNet,convnext,davit,dino,efficien |
625 | Python |
| PaddlePaddle/PASSL | 中文介绍暂未生成 PASSL包含 SimCLR,MoCo v1/v2,BYOL,CLIP,PixPro,simsiam, SwAV, BE |
291 | Python |
| arxyzan/data2vec-pytorch | 中文介绍暂未生成 PyTorch implementation of "data2vec: A General Framework for |
186 | Python |
| Zhcyoung/BEPH | 中文介绍暂未生成 BEiT-based model Pre-training on Histopathological image |
79 | Python |
以上为通过 GitHub 官方 Search API 检索的相似项目,功能差异与优劣势需进一步人工确认,配置 AI 后可生成对比分析。
项目优势与风险
| 技术成熟度 | 创建于 2019-07-23,最近推送 2026-09-21,发布过 4 个 Release |
| 社区活跃 | Star 22,242 / Fork 2,699 / Issue 691(数据支持,可自行核实) |
| 许可证 | MIT |
| 主要风险 | 上游项目方向可能变化;同赛道竞争者较多(见竞品表);热度与需求不完全等价 |
安装与使用
快速开始(以仓库 README 为准)
git clone https://github.com/microsoft/unilm.git cd unilm # 请阅读仓库 README 获取确切安装步骤(依赖、配置、启动命令)
术语说明:Docker=应用容器(把程序和依赖打包运行);API Key=调用外部服务的密钥;Git Clone=把仓库代码下载到本地。常见错误:API Key 未配置 / 端口占用 / 数据库连接失败,多数项目在 README 的 Troubleshooting 章节有说明。