翻译之前，先理解文本。分词、实体识别、情感分析、关键词提取——这些NLP基础能力决定了翻译的上限。我们把这些能力打包成可调用的服务，让你的应用也能"理解"文字。
六项经过大规模中文语料训练的文本处理能力，每一项都可以独立调用，也支持通过Pipeline串联。
基于预训练Transformer的分词器，词表规模128K，涵盖通用词汇、网络新词和专业术语。人名、地名、机构名自动识别为完整语义单元，不会被拆成单字。在MSRA和PKU公开基准上F1得分分别为97.4和96.8。
F1: 97.4 (MSRA)支持人名、地名、机构名、时间、日期、货币、百分比等18类实体标签的识别和分类。法律文书和医疗报告两个垂直领域有专项微调模型，实体边界识别准确率比通用模型高出11个百分点。
18类实体标签不是简单的正面/负面二分。输出细粒度情感标签（喜怒哀乐惊恐厌）加上强度评分（0-1）。针对电商评论和社交媒体两个场景做了适配，能识别反讽、夸张和网络用语中的隐含情绪。
7类情绪 + 强度评分支持抽取式（从原文中选句）和生成式（用新句子概括）两种摘要模式。生成式摘要基于BART架构的中文模型，在LCSTS数据集上ROUGE-L评分达到38.6。长文档自动切分后逐段摘要再合并。
ROUGE-L: 38.6 (LCSTS)输入两个句子，输出余弦相似度分数。用于问答匹配、去重、聚类等下游任务。模型基于SimCSE对比学习框架训练，在STS-B中文基准上Spearman相关系数达到0.812。
Spearman: 0.812 (STS-B)结合TF-IDF统计特征和上下文语义的混合提取算法，既不会漏掉高频但重要的词，也不会把"的""是"这些虚词拉进来。支持指定提取数量和候选词长度范围，输出附带权重分数。
TF-IDF + 语义混合一段原始文本从输入到产出结构化分析结果的完整流程。每个环节都有独立的API端点，你可以只调用其中某个步骤，也可以走完整管线。
在公开中文NLP基准上的测评结果。分数定期更新——模型迭代后会在同一个测试集上重跑一遍，确保可比性。
NLP不只是实验室里的炫技。下面这些场景中，文本智能处理已经在产生实际商业价值。
从电子病历的自由文本中自动提取症状、诊断、用药和检查结果等结构化字段。某三甲医院接入后，病历录入效率提升60%，数据可用于后续的临床决策支持。
查看案例 →7x24小时抓取新闻和社交媒体文本，实时分析市场情绪走向和关键事件主体。帮助一家量化基金将舆情信号纳入交易策略，回测显示夏普比率提高了0.3。
查看案例 →对海量商品评论做情感归因分析——不只是知道用户"不满意"，还能定位到具体是"物流太慢"还是"尺码偏小"。一家家电品牌用这个功能把产品改进周期从3个月缩短到2周。
查看案例 →自动识别合同中的责任条款、免责声明和潜在风险点，支持自定义关注清单。某律所的内测数据显示，AI预审一份标准合同只需8秒，人工复核确认约2分钟，而纯人工审查需要15分钟。
查看案例 →不同的NLP任务对模型的要求不一样——有些追求极致精度，有些需要低延迟。我们提供多档模型供选择。
| 模型版本 | 参数量 | 推理延迟 | 分词 F1 | NER F1 | 适用场景 |
|---|---|---|---|---|---|
| Light (TinyBERT) | 27M | 8ms | 95.1 | 90.4 | 移动端、实时API、低资源环境 |
| Base (RoBERTa) | 110M | 24ms | 97.4 | 93.2 | 通用场景，推荐大多数应用使用 推荐 |
| Pro (ELECTRA) | 330M | 52ms | 98.1 | 94.7 | 高精度需求，如法律/医疗文本处理 |
| Domain (微调) | 110M + adapter | 28ms | 96.8 | 96.3* | 垂直领域专项适配（*领域NER评测） |
不管你用哪种技术栈，都能找到合适的对接方式。
标准HTTP接口，JSON入参出参。提供Python、JavaScript和Java三种语言的SDK封装了签名和重试逻辑，一行代码调用。
长文档处理支持流式传输——一边上传一边返回中间结果。适合需要实时展示处理进度的交互场景，延迟比REST低40%。
把整个NLP引擎打包进Docker镜像，在你自己的服务器上运行。支持GPU和CPU两种运行模式，授权按容器实例数计费。
部署到你的AWS/GCP/Azure账号下的VPC内，数据不出你的云环境。通过PrivateLink或VPC Peering内网调用，无公网暴露。
