BERT与ERNIE，性能较量，谁更胜一筹？

本文共计1372个文字，预计阅读时间需要6分钟。

BERT与ERNIE是NLP领域近期最受关注的两大模型。近期有人进行了实测试验，结果表明在中文字语环境下，这两大模型的表现令人惊喜。具体详情如下：

不一一列举，简要评测如下：

BERT（Bidirectional Encoder Representations from Transformers）：- 优点：在多种NLP任务上表现优异，具有良好的泛化能力。- 缺点：模型结构复杂，训练时间较长。

ERNIE（Enhanced Representation through kNowledge Integration）：- 优点：融合了知识图谱信息，提高了模型在特定任务上的表现。- 缺点：模型结构相对复杂，训练数据需求较高。

总体来看，BERT和ERNIE各有优劣，具体应用场景需根据任务需求和数据情况进行选择。

BERT和ERNIE，NLP领域近来最受关注的2大模型究竟怎么样？刚刚有人实测比拼了一下，结果在中文语言环境下，结果令人意外又惊喜。具体详情究竟如何？不妨一起围观下这篇技术评测。

允中 发自 凹非寺

量子位 报道 | 公众号 QbitAI

BERT和ERNIE，NLP领域近来最受关注的2大模型究竟怎么样？

刚刚有人实测比拼了一下，结果在中文语言环境下，结果令人意外又惊喜。

具体详情究竟如何？不妨一起围观下这篇技术评测。

1. 写在前面

随着2018年ELMo、BERT等模型的发布，NLP领域终于进入了“大力出奇迹”的时代。采用大规模语料上进行无监督预训练的深层模型，在下游任务数据上微调一下，即可达到很好的效果。