文档简介:
说明:
- \n代表回车
- 使用时请将{input_text}、{content} 等替换成待处理的文本,大括号需要删除
- 如果希望生成的文本从中间填充,请用【MASK】代表需要希望在文本中插入的位置,最多有一个
问题生成
基于一篇文章或者一个优质的内容生成对应的问题
模版示例
说明:\代表转义,比如\n代表换行
- 输入模板示例:
# 类型1:给定答案,生成问题。 问题:[MASK]?
答案:{answer} # 类型2:给定文章与答案,生成问题。 文本:{content} 问题:[MASK] 答案:{answer}
- 其他输入模板示例:
# 类型1:给定答案,生成问题。 # 示例1: 问题:[MASK]?\n答案:{answer} # 示例2: 答案
:{answer}\n问题:[MASK]? # 示例3: 提一个问题,使得问题答案是{answer}\n提问:[MASK]?
# 类型2:给定文章与答案,生成问题。 # 示例1: 文本:{content}\n答案:{answer}\n问题:
[MASK] # 示例2: 基于文本和答案生成问题。文本:{content}\n答案:{answer}\n问题: # 示例3:
"{content}"中,"{answer}"是什么问题的答案? # 示例4: "{content}"\n针对上面的文本提一个问题,
使得问题答案是{answer}\n提问:
输入示例
说明:\代表转义,比如\n代表换行。
# 类型1:给定答案,生成问题。 answer: 在调用接口时,您需要配置一下参数。您可以按照默认的参数配置进行调用,
也可以参考以下参数描述修改某些参数的配置来满足您的特定需求。 # 类型2:给定文章与答案,生成问题。 content: 选择燃气热水器时,一定要关注这几个问题:1、出水稳定性要好,不能出现忽热忽冷的现象2、快速到达设定的需求水温
3、操作要智能、方便4、安全性要好,要装有安全报警装置 市场上燃气热水器品牌众多,购买时还需多加对比和仔细鉴别。
方太今年主打的磁化恒温热水器在使用体验方面做了全面升级:9秒速热,可快速进入洗浴模式;水温持久稳定,
不会出现忽热忽冷的现象,并通过水量伺服技术将出水温度精确控制在±0.5℃,可满足家里宝贝敏感肌肤洗护需求;
配备CO和CH4双气体报警装置更安全(市场上一般多为CO单气体报警)。另外,这款热水器还有智能WIFI互联功能,
只需下载个手机APP即可用手机远程操作热水器,实现精准调节水温,满足家人多样化的洗浴需求。当然方太的磁化
恒温系列主要的是增加磁化功能,可以有效吸附水中的铁锈、铁屑等微小杂质,防止细菌滋生,使沐浴水质更洁净
,长期使用磁化水沐浴更利于身体健康。\n问题:[MASK]\n答案:方太
拼接后的输入
# 类型1:给定答案,生成问题。 问题:[MASK]? 答案:在调用接口时,您需要配置一下参数。您可以按照默认的参数配置进行调用,也可以参考以下参数描述修改某些
参数的配置来满足您的特定需求。 # 类型2:给定文章与答案,生成问题。 文本:选择燃气热水器时,
一定要关注这几个问题:1、出水稳定性要好,不能出现忽热忽冷的现象2、快速到达设定的需求水温3、操作要智能、
方便4、安全性要好,要装有安全报警装置 市场上燃气热水器品牌众多,购买时还需多加对比和仔细鉴别。
方太今年主打的磁化恒温热水器在使用体验方面做了全面升级:9秒速热,可快速进入洗浴模式;水温持久稳定,
不会出现忽热忽冷的现象,并通过水量伺服技术将出水温度精确控制在±0.5℃,可满足家里宝贝敏感肌肤洗护需求;
配备CO和CH4双气体报警装置更安全(市场上一般多为CO单气体报警)。另外,这款热水器还有智能WIFI互联功能,
只需下载个手机APP即可用手机远程操作热水器,实现精准调节水温,满足家人多样化的洗浴需求。当然方太的磁化恒
温系列主要的是增加磁化功能,可以有效吸附水中的铁锈、铁屑等微小杂质,防止细菌滋生,使沐浴水质更洁净,
长期使用磁化水沐浴更利于身体健康。 问题:[MASK] 答案:方太
代码示例
# -*- coding: utf-8 -* import wenxin_api # 可以通过"pip install wenxin-api"命令安装 from wenxin_a
pi.tasks.text_generation import TextGeneration wenxin_api.ak = "your ak" wenxin_api.sk = "your sk" input_dict = { "text": "文本:选择燃气热水器时,
一定要关注这几个问题:1、出水稳定性要好,不能出现忽热忽冷的现象2、快速到达设定的需求水温3、操作要智能、
方便4、安全性要好,要装有安全报警装置 市场上燃气热水器品牌众多,购买时还需多加对比和仔细鉴别。
方太今年主打的磁化恒温热水器在使用体验方面做了全面升级:9秒速热,可快速进入洗浴模式;水温持久稳定,
不会出现忽热忽冷的现象,并通过水量伺服技术将出水温度精确控制在±0.5℃,可满足家里宝贝敏感肌肤洗护需求;
配备CO和CH4双气体报警装置更安全(市场上一般多为CO单气体报警)。另外,这款热水器还有智能WIFI互联功能,
只需下载个手机APP即可用手机远程操作热水器,实现精准调节水温,满足家人多样化的洗浴需求。当然方太的
磁化恒温系列主要的是增加磁化功能,可以有效吸附水中的铁锈、铁屑等微小杂质,防止细菌滋生,使沐浴水质更洁净,
长期使用磁化水沐浴更利于身体健康。\n问题:[MASK]\n答案:方太", "seq_len": 512, "topp": 0.5,
"min_dec_len": 1, "is_unidirectional": 0, "task_prompt": "QuestionGeneration", "penalty_t
ext": "[]{}", "min_dec_penalty_text": "", "mask_type": "word", "logits_bias": -5 } rst =
TextGeneration.create(**input_dict) print(rst)
建议配置
# 建议配置1 { "seq_len": 512, "topp": 0.5, "min_dec_len": 1, "is_unidirectional": 0,
"task_prompt": "QuestionGeneration", "penalty_text": "[]{}", "min_dec_penalty_text": "",
"mask_type": "word", "logits_bias": -5 } # 建议配置2 { "seq_len": 512, "topp": 0, "min_dec_len":
1, "is_unidirectional": 0, "task_prompt": "QuestionGeneration", "penalty_text": "[]{}",
"min_dec_penalty_text": "", "mask_type": "word", "logits_bias": -5 } # 建议配置3
{ "seq_len": 512, "topp": 0, "min_dec_len": 1, "is_unidirectional": 0, "task_prompt": "",
"penalty_text": "[]{}", "min_dec_penalty_text": "", "mask_type": "word", "logits_bias": -5 }
结果示例
# 类型1的输出:给定答案,生成问题。 怎么调用接口 # 类型2的输出:给定文章与答案,生成问题。 燃气热水器哪个牌子好
作文创作
基于给定的作文题目创作出一篇作文
模版示例
说明:\代表转义,比如\n代表换行
- 输入模板示例:
作文题目:{input_text} 正文:
- 其他输入模板示例:
# 示例1: 作文题目:{input_text}\n内容: # 示例2: 请写一篇以{input_text}为标题的作文。 # 示例3: 作文标题:{input_text}\n正文:
输入示例
拔河比赛
拼接后的输入
作文题目:拔河比赛
正文:
代码示例
# -*- coding: utf-8 -* import wenxin_api # 可以通过"pip install wenxin-api"命令安装
from wenxin_api.tasks.composition import Composition wenxin_api.ak = "your ak" wenxin_api.sk = "your sk" input_dict = { "text": "作文题目:拔河比赛\n正文:
", "seq_len": 512, "topp": 0.9, "penalty_score": 1.2, "min_dec_len": 128, "is_unidirectional":
0, "task_prompt": "zuowen" } rst = Composition.create(**input_dict) print(rst)
建议配置
# 建议配置1 { "seq_len": 512, "topp": 0.9, "penalty_score": 1.2, "min_dec_len": 128, "is_unidi
rectional": 0, "task_prompt": "zuowen" } # 建议配置2 { "seq_len": 1000, "topp": 0.5, "penalty_
score": 1.2, "min_dec_len": 128, "is_unidirectional": 0, "task_prompt": "zuowen" } # 建议配置3
{ "seq_len": 512, "topp": 0.9, "penalty_score": 1.15, "min_dec_len": 2,
"is_unidirectional": 0, "task_prompt": "zuowen" }
结果示例
今天下午,阳光灿烂。我们全体同学兴高采烈地来到运动场观看拔河比赛。只见参加比赛的队伍有四支:
三、五、六年级的哥哥姐姐组成的一支队伍;还有以前很少举行比赛的光华与太平街小学组成的二支队伍。
两支强手狭路相逢,不知谁会更胜一筹呢?随着裁判的哨声响起,两边拉开了架势准备比赛。两位“大力士”
站在绳中央,摆出了射箭姿态——身子稍向后倾,深呼吸,挺直腰杆儿,精神抖擞…… 这时,观众席上传来
一阵热烈的掌声,原来他们为自己喜欢的队伍助威呐喊!过了半晌,参加比赛的同学像猛虎下山似的冲向终点线。
比分是六年级零比三败给了三、五年级;光华与太平街小学二比二打平。两队争先恐后。
第七局是决定胜负的最后一战,双方都派出强将顶住压力,信心十足,牙齿咬得“咯吱咯吱”作响!
顿时大家更使出浑身解数,使上自己的吃奶劲儿。在观众台周围,许多叔叔阿姨爷爷奶奶们拿着饮料瓶前来助威,
给运动员洒水降温,让他们全身湿透了才回去,并说:“你们真棒!”拉拉队们发挥团结协作能力,相互鼓励。
终于,三、五年级获胜啦!为本次活动画上了圆满的句号。我暗暗想,等比赛再多一些就好了,那我一定要参加。
文案创作
基于给定的产品标题(可包含产品属性)创作出一篇吸引人的广告文案
模版示例
说明:\代表转义,比如\n代表换行
- 输入模板示例:
# 示例1:基于产品标题生成文案。 标题:{input_text} 文案: # 示例2:基于产品属性生成文案。 产品属性:{input_text} 文案:
- 其他输入模板示例:
# 示例1: 产品标题:{input_text}\n产品描述: # 示例2: 产品标题:{input_text}\n产品文案:
# 示例3: 标题:{input_text}\n请写出针对上述产品的广告: # 示例4: 产品属性:{input_text}\
n根据上述产品属性生成产品文案: # 示例5: 产品属性:{input_text}\n文案: # 示例6: 属性:{input_text}\n产品描述:
输入示例
# 示例1:基于产品标题生成文案。 芍药香氛的沐浴乳 # 示例2:基于产品属性生成文案。 类型:裤。
版型:宽松;裤型:阔腿裤|版型:宽松|材质|图案:线条;风格:性感|颜色,风格
拼接后的输入
# 示例1:基于产品标题生成文案。 标题:芍药香氛的沐浴乳
文案: # 示例2:基于产品属性生成文案。 产品属性:类型:裤。版型:宽松;裤型:阔腿裤|版型:宽松|材质|图案:线条;风格:性感|颜色,风格
文案:
代码示例
# -*- coding: utf-8 -* import wenxin_api # 可以通过"pip install wenxin-api"命令安装
from wenxin_api.tasks.official_documents import OfficialDocuments wenxin_api.ak = "your ak" wenxin_api.sk = "your sk" input_dict = {
"text": "标题:芍药香氛的沐浴乳\n文案:", "seq_len": 512, "topp": 0.9, "penalty_score":
1.2, "min_dec_len": 32, "is_unidirectional": 0, "task_prompt": "adtext" }
rst = OfficialDocuments.create(**input_dict) print(rst)
建议配置
# 建议配置1 { "seq_len": 512, "topp": 0.9, "penalty_score": 1.2, "min_dec_len": 32,
"is_unidirectional": 0, "task_prompt": "adtext" } # 建议配置2 { "seq_len": 512, "topp":
0.5, "penalty_score": 1.2, "min_dec_len": 2, "is_unidirectional": 0, "task_prompt":
"adtext" } # 建议配置3 { "seq_len": 512, "topp": 0.3, "penalty_score": 1.2, "min_dec_
len": 2, "is_unidirectional": 0, "task_prompt": "adtext" }
结果示例
# 示例1:基于产品标题生成文案。 高贵芍药香氛沐浴露,低泡温和更滋润。可在身上长久的留下淡雅花香,
如同刚刚摘下来一般保湿舒缓,味道恬静安神,质地轻薄易冲洗更是方便! # 示例2:基于产品属性生成文案。
一款简单宽松的阔腿裤,没有太多多余的设计元素。 宽松挺括的裤型,包容腿型的不足,分分钟打造笔直大长腿。
丝滑舒适的面料,透气性强。 腰部微微收紧,凸显迷人线条,性感撩人。 利用颜色的对比,简单的风格,体现极高的设计水平。
文本摘要
基于给定的长文本,归纳总结其核心内容,得到其摘要或者标题
模版示例
说明:\代表转义,比如\n代表换行
- 输入模板示例:
新闻:{input_text} 摘要:
- 其他输入模板示例:
# 标题生成: # 示例1: 请给下面这段话取一个标题:"{input_text}" # 示例2: 如果给下面这段话
"{input_text}"\n取一个标题,你会写: # 示例3: "{input_text}"\n给这段话一个合适的标题:
# 示例4: 文章:"{input_text}"\n标题: # 示例5: 给下面这段话写一个简短的标题:{input_text}\n回答:
# 摘要生成: # 示例1: 请给下面这段话写一句摘要:"{input_text}" # 示例2: {input_text}\n一
句话概括上面的段落: # 示例3: {input_text}\n简而言之,就是: # 示例4: 文章:{input_text}\n一
句话总结一下: # 示例5: 一句话写出下面段落的大意。{input_text}\n回答:
输入示例
外媒7月18日报道,阿联酋政府当日证实该国将建设首个核电站,以应对不断上涨的用电需求。分析称阿联酋
作为世界第三大石油出口国,更愿意将该能源用于出口,而非发电。首座核反应堆预计在2017年运行。cntv李婉然编译报道
拼接后的输入
新闻:外媒7月18日报道,阿联酋政府当日证实该国将建设首个核电站,以应对不断上涨的用电需求。
分析称阿联酋作为世界第三大石油出口国,更愿意将该能源用于出口,而非发电。首座核反应堆预计在2017年运行。cntv李婉然编译报道
摘要:
代码示例
# -*- coding: utf-8 -* import wenxin_api # 可以通过"pip install wenxin-api"命令安装
from wenxin_api.tasks.summarization import Summarization wenxin_api.ak = "your ak" wenxin_api.sk = "your sk" input_dict = { "text": "文章:
外媒7月18日报道,阿联酋政府当日证实该国将建设首个核电站,以应对不断上涨的用电需求。
分析称阿联酋作为世界第三大石油出口国,更愿意将该能源用于出口,而非发电。首座核反应堆预计在2017年运行。
cntv李婉然编译报道\n摘要:", "seq_len": 512, "topp": 0.5, "penalty_score": 1.0, "min_dec_len":
4, "is_unidirectional": 0, "task_prompt": "Summarization" } rst = Summarization.create(**input_dict) print(rst)
建议配置
# 建议配置1 { "seq_len": 512, "topp": 0.5, "penalty_score": 1.0, "min_dec_len": 4,
"is_unidirectional": 0, "task_prompt": "Summarization" } # 建议配置2 { "seq_len": 128,
"topp": 0.5, "penalty_score": 1.0, "min_dec_len": 4, "is_unidirectional": 0, "task_prompt":
"Summarization" } # 建议配置3 { "seq_len": 128, "topp": 0.3, "penalty_score": 1.0, "min_
dec_len": 4, "is_unidirectional": 0, "task_prompt": "Summarization" }
结果示例
阿联酋将建首座核电站
对对联
基于给定的上联,生成相关联的下联
模版示例
说明:\代表转义,比如\n代表换行
- 输入模板示例
# 示例1: 上联:{input_text} 下联:
- 其他输入模板示例:
# 示例1: 对对联:{input_text}\n # 示例2: {input_text}\n下一句:
输入示例
五湖四海皆春色
拼接后的输入
上联:五湖四海皆春色
下联:
代码示例
# -*- coding: utf-8 -* import wenxin_api # 可以通过"pip install wenxin-api
"命令安装 from wenxin_api.tasks.couplet import Couplet wenxin_api.ak = "your ak" wenxin_api.sk = "your sk" input_dict = { "text":
"上联:五湖四海皆春色\n下联:", "seq_len": 512, "topp": 0.9, "penalty_score": 1.0,
"min_dec_len": 2, "is_unidirectional": 0, "task_prompt": "couplet" }
rst = Couplet.create(**input_dict) print(rst)
建议配置
# 建议配置1 { "seq_len": 512, "topp": 0.9, "penalty_score": 1.0, "min_dec_len": 2,
"is_unidirectional": 0, "task_prompt": "couplet" } # 建议配置2 { "seq_len": 512,
"topp": 0.5, "penalty_score": 1.0, "min_dec_len": 2, "is_unidirectional": 0,
"task_prompt": "couplet" } # 建议配置3 { "seq_len": 512, "topp": 0.3, "penalty_score":
1.0, "min_dec_len": 2, "is_unidirectional": 0, "task_prompt": "couplet" }
结果示例
万水千山尽得辉
自由问答
基于给定的问题,生成问题对应的答案
模版示例
说明:\代表转义,比如\n代表换行
- 输入模板示例:
问题:{input_text} 回答:
- 其他输入模板示例:
# 示例1: 问题:{input_text}\n答案: # 示例2: 请问:{input_text}\n # 示例3: {input_text}\n请回答这个问题。
输入示例
交朋友的原则是什么?
拼接后的输入
问题:交朋友的原则是什么?
回答:
代码示例
# -*- coding: utf-8 -* import wenxin_api # 可以通过"pip install wenxin-api"
命令安装 from wenxin_api.tasks.free_qa import FreeQA
wenxin_api.ak = "your ak" wenxin_api.sk = "your sk" input_dict = { "text": "问题:
交朋友的原则是什么?\n回答:", "seq_len": 512, "topp": 0.5, "penalty_score": 1.2,
"min_dec_len": 2, "min_dec_penalty_text": "。?:!", "is_unidirectional": 0, "tas
k_prompt": "qa", "mask_type": "word" } rst = FreeQA.create(**input_dict) print(rst)
建议配置
# 建议配置1 { "seq_len": 512, "topp": 0.5, "penalty_score": 1.2, "min_dec_len": 2, "
min_dec_penalty_text": "。?:!", "is_unidirectional": 0, "task_prompt": "qa", "mask_t
ype": "word" } # 建议配置2 { "seq_len": 256, "topp": 0.3, "penalty_score": 1.2, "min_de
c_len": 2, "min_dec_penalty_text": "。?:!", "is_unidirectional": 0, "task_prompt":
"qa", "mask_type": "word" } # 建议配置3 { "seq_len": 128, "topp": 0.3, "penalty_score":
1.2, "min_dec_len": 2, "is_unidirectional": 0, "task_prompt": "adtext" }
结果示例
真诚,平等。你要看他是否有上进心,或者说能不能给你带来利益,再就是交朋友的原则了!我觉得这样挺好的,
真实一点比较好。只有自己知道怎么做才会更加快乐。其实最重要的还是看那个人对待你的态度和方式吧。
如果你在乎她,她也在乎你,你们之间都相互尊重、理解、包容、体谅的话,应该可以成为很好的朋友。
但是前提是,两个人必须都愿意把彼此当作真正的朋友,并且愿意付出努力去经营这段关系。毕竟感情是需要
用心去维护的,而不是单纯地通过物质条件所能获取的。我认为人与人之间的相处贵在真诚,
所谓君子之交淡如水.希望你找到属于你的幸福!
小说续写
基于给定的小说上文进行续写
模版示例
直接续写,无模板
输入示例
昆仑山可以说是天下龙脉的根源,所有的山脉都可以看作是昆仑的分支。这些分出来的枝枝杈杈,都可以看作是一条条独立的龙脉。
代码示例
# -*- coding: utf-8 -* import wenxin_api # 可以通过"pip install wenxin-api"
命令安装 from wenxin_api.tasks.novel import Novel wenxin_api.ak = "your ak" wenxin_api.sk = "your sk" input_dict = { "text": "昆仑山可以说是天下龙脉的根源,
所有的山脉都可以看作是昆仑的分支。这些分出来的枝枝杈杈,都可以看作是一条条独立的龙脉。", "seq_len": 512,
"topp": 0.9, "penalty_score": 1.2, "min_dec_len": 16, "min_dec_penalty_text": "。?:!",
"is_unidirectional": 1, "mask_type": "word", "task_prompt": "novel", "logits_bias": "-5
" } rst = Novel.create(**input_dict) print(rst)
建议配置
# 建议配置1 { "seq_len": 512, "topp": 0.9, "penalty_score": 1.2, "min_dec_len": 16, "min_d
ec_penalty_text": "。?:!", "is_unidirectional": 1, "mask_type": "word", "task_prompt":
"novel", "logits_bias": "-5" } # 建议配置2 { "seq_len": 512, "topp": 0.5, "penalty_score
": 1.2, "min_dec_len": 4, "min_dec_penalty_text": "。?:!", "is_unidirectional": 1,
"mask_type": "word", "task_prompt": "novel", "logits_bias": "-5" } # 建议配置3 {
"seq_len": 512, "topp": 0.3, "penalty_score": 1.2, "min_dec_len": 4, "min_dec_penalty
_text": "。?:!", "is_unidirectional": 1, "mask_type": "word",
"task_prompt": "novel", "logits_bias": "-5" }
结果示例
其中最为重要的,还是昆仑山脉西北方向的三大支脉: 玉龙、雅鲁藏布江以及雅砻河。这些才是昆仑正宗所在。
虽然有一部分因为时间太长而渐渐沉寂于地下,但依旧能够依稀辨别出他们当年的样貌和痕迹。
也足见多少万年过去了,他们都不曾丢失自己的根源与精髓!
补全文本
基于上下文与用户指定位置,补全内容,使得文本完整、通顺
模版示例
{input_text_left}[MASK]{input_text_right}
输入示例
#示例1: input_text_left: 她有着一双 #示例2: input_text_right: 的眼眸。
拼接后的输入
她有着一双[MASK]的眼眸。
代码示例
# -*- coding: utf-8 -* import wenxin_api # 可以通过"pip install wenxin-api"
命令安装 from wenxin_api.tasks.cloze import Cloze wenxin_api.ak = "" wenxin_api.sk = "" input_dict = { "text": "她有着一双[MASK]的眼眸。",
"seq_len": 512, "topp": 0.3, "penalty_score": 1.2, "min_dec_len": 2, "is_unidirectional":
0, "task_prompt": "cloze" } rst = Cloze.create(**input_dict) print(rst)
建议配置
# 建议配置1 { "seq_len": 512, "topp": 0.3, "penalty_score": 1.2, "min_dec_len": 2,
"is_unidirectional": 0, "task_prompt": "cloze" } # 建议配置2 { "seq_len": 512,
"topp": 0.5, "penalty_score": 1.2, "min_dec_len": 2, "is_unidirectional": 0,
"task_prompt": "cloze" } # 建议配置3 { "seq_len": 512, "topp": 0.9, "penalty_score
": 1.2, "min_dec_len": 2, "is_unidirectional": 0, "task_prompt": "cloze" }
结果示例
深邃
古诗创作
给定诗词题目,创作出相关的诗词
模版示例
- 输入示例模板
诗词题目:{input_text}。作者:无。诗词内容:
- 其他输入示例模板:
诗词题目:{input_text}。诗词内容
输入示例
燕燕
拼接后的输入
诗词题目:燕燕。作者:无。诗词内容:
代码示例
# -*- coding: utf-8 -* import wenxin_api # 可以通过"pip install wenxin-api"
命令安装 from wenxin_api.tasks.text_generation import TextGeneration wenxin_api.ak = "your ak" wenxin_api.sk = "your sk" input_dict = { "text": "诗词题目:燕燕。
作者:无。诗词内容:", "seq_len": 512, "topp": 0.5, "min_dec_len": 3, "is_unidirectional":
0, "task_prompt": "poetry", "min_dec_penalty_text": "。?:!", "penalty_text": "[]{}",
"mask_type": "word", "logits_bias": -5 } rst = TextGeneration.create(**input_dict) print(rst)
建议配置
# 建议配置1 { "seq_len": 512, "topp": 0.5, "min_dec_len": 3, "is_unidirectional": 0,
"task_prompt": "poetry", "min_dec_penalty_text": "。?:!", "penalty_text": "[]{}",
"mask_type": "word", "logits_bias": -5 } # 建议配置2 { "seq_len": 512, "topp": 0.3,
"min_dec_len": 3, "is_unidirectional": 0, "task_prompt": "poetry", "min_dec_penalty
_text": "。?:!", "penalty_text": "[]{}", "mask_type": "word", "logits_bias": -5 }
# 建议配置3 { "seq_len": 512, "topp": 0.3, "min_dec_len": 3, "is_unidirectional":
0, "task_prompt": "", "min_dec_penalty_text": "。?:!", "penalty_text": "[]{}",
"mask_type": "word", "logits_bias": -5 }
结果示例
燕燕于飞。差池其羽。之子于归。远送于野。瞻望弗及。实劳我心。仲氏任只。其心塞渊。终温且惠。淑慎其身。先君之思。以勖寡人。
同义改写
改写一个文本,使生成的文本在字面上与原始有区别,但语义上相同
模版示例
说明:\代表转义,比如\n代表换行。
- 输入模版示例:
\"{input_text}\"换种表达,意思不变:
- 其他输入模版示例:
# 示例1: "{input_text}"换句话说就是: # 示例2: 用自己的话改写下面的文本:{input_text} #
示例3: "{input_text}"意思是: # 示例4: 原句:{input_text}同义改写: # 示例5: "{input_text}
",换句话可以说: # 示例6: "{input_text}"的另一种说法是: # 示例7: 给"{input_text}"换种说法:
# 示例8: "{input_text}"换个说法,可以是: # 示例9: 改写"{input_text}",但不改变它的意思:
输入示例
巩义桶装水电话号码
拼接后的输入
\"巩义桶装水电话号码\"换种表达,意思不变:
代码示例
# -*- coding: utf-8 -* import wenxin_api # 可以通过"pip install wenxin-api"命令安装
from wenxin_api.tasks.text_generation import TextGeneration wenxin_api.ak = "your ak" wenxin_api.sk = "your sk" input_dict = { "text": "\"巩义桶装水
电话号码\"换种表达,意思不变:", "seq_len": 512, "topp": 0.5, "min_dec_len": 2,
"is_unidirectional": 0, "task_prompt": "Paraphrasing", "min_dec_penalty_text": "。?
:!", "penalty_text": "[]{}", "mask_type": "word", "logits_bias": -5
} rst = TextGeneration.create(**input_dict) print(rst)
建议配置
# 建议配置1 { "seq_len": 512, "topp": 0.5, "min_dec_len": 2, "is_unidirectional":
0, "task_prompt": "Paraphrasing", "min_dec_penalty_text": "。?:!", "penalty_text":
"[]{}", "mask_type": "word", "logits_bias": -5 } # 建议配置2 { "seq_len": 512, "topp":
0.3, "min_dec_len": 2, "is_unidirectional": 0, "task_prompt": "Paraphrasing", "min_d
ec_penalty_text": "。?:!", "penalty_text": "[]{}", "mask_type": "word", "logits_bias
": -5 } # 建议配置3 { "seq_len": 512, "topp": 0.3, "min_dec_len": 2, "is_unidirectiona
l": 0, "task_prompt": "", "min_dec_penalty_text": "。?:!", "penalty_text": "[]{}",
"mask_type": "word", "logits_bias": -5 }
结果示例
巩义桶装水联系方式
文本纠错
修改原句中的错别字
模版示例
说明:\代表转义,比如\n代表换行。
- 输入模版示例:
改正下面文本中的错误:"{input_text}"
- 其他输入模版示例:
# 示例1: {input_text}\n请纠正文本中的错误: # 示例3: 文本:{input_text}\n校对结果:
# 示例4: "{input_text}" 上述文本中有错,请改正: # 示例5: 请校对"{input_text}"
中的错误: # 示例6: 校对下面的文本:"{input_text}"结果: # 示例7: "{input_text}
"纠正上述文本中的错别字: # 示例8: 校正错别字:"{input_text}" # 示例9: "{input_t
ext}" 错别字校正: # 示例10: "{input_text}" 中有错别字,请改正:
输入示例
沿路主要城市有:上海-苏骤-无锡-常州-镇江-南京-合遂肥-六安-麻城-武汉-孝感-荆门-
宜昌-万州-点江-邻水-华-广安-岳池-南充-遂宁-成都镇。
拼接后的输入
改正下面文本中的错误:"沿路主要城市有:上海-苏骤-无锡-常州-镇江-南京-合遂肥
-六安-麻城-武汉-孝感-荆门-宜昌-万州-点江-邻水-华-广安-岳池-南充-遂宁-成都镇。"
代码示例
# -*- coding: utf-8 -* import wenxin_api # 可以通过"pip install wenxin-api
"命令安装 from wenxin_api.tasks.text_generation import TextGeneration wenxin_api.ak = "your ak" wenxin_api.sk = "your sk" input_dict = { "text": "
改正下面文本中的错误:\"沿路主要城市有:上海-苏骤-无锡-常州-镇江-南京-合遂
肥-六安-麻城-武汉-孝感-荆门-宜昌-万州-点江-邻水-华-广安-岳池-南充-
遂宁-成都镇。\" ", "seq_len": 512, "topp": 0.5, "min_dec_len": 2, "is_unidire
ctional": 0, "task_prompt": "Correction", "min_dec_penalty_text": "。?:!", "
penalty_text": "[]{}", "mask_type": "word", "logits_bias": -5 } rst = Tex
tGeneration.create(**input_dict) print(rst)
建议配置
# 建议配置1 { "seq_len": 512, "topp": 0.5, "min_dec_len": 2, "is_unidirectional": 0,
"task_prompt": "Correction", "min_dec_penalty_text": "。?:!", "penalty_text": "[]{}",
"mask_type": "word", "logits_bias": -5 } # 建议配置2 { "seq_len": 512, "topp": 0.3,
"min_dec_len": 2, "is_unidirectional": 0, "task_prompt": "Correction", "min_dec_penalty
_text": "。?:!", "penalty_text": "[]{}", "mask_type": "word", "logits_bias": -5 }
# 建议配置3 { "seq_len": 512, "topp": 0.3, "min_dec_len": 2, "is_unidirectional":
0, "task_prompt": "", "min_dec_penalty_text": "。?:!", "penalty_text": "[]{}",
"mask_type": "word", "logits_bias": -5 }
结果示例
沿路主要城市有:上海-苏州-无锡-常州-镇江-南京-合肥-六安-麻城-武汉-孝感-
荆门-宜昌-万州-垫江-邻水-华蓥-广安-岳池-南充-遂宁-成都。
Text2SQL
给予给定的自然语言描述,生成对应的SQL结构化语句
模版示例
说明:\代表转义,比如\n代表换行。
- 输入模板示例:
{input_text}\n上述问题转换成SQL语句是:
- 其他输入模板示例:
# 示例1: 问题:{input_text}\n请用SQL表示上面的问题。SQL: # 示例2: 问题:{input_text}\
n把这个问题转化成SQL语句: # 示例3: 请写出下述问题对应的SQL语句。问题:{input_text}\nSQL:
# 示例4: 用SQL表示下述问题:{input_text}\n # 示例5: 把"{input_text}"写成SQL形式是:
# 示例6: 把问题翻译成SQL语句。问题:{input_text}\n翻译: # 示例7: 由问题"{input_text}
生成SQL查询语句: # 示例8: 问题:{input_text}\n把上述问题表示成SQL语句: # 示例9
: 如果把"{input_text}"表示成SQL形式,可以写成:
输入示例
在各届金曲奖提名名单中,给出每一位提名的歌手和其所出专辑的数量,其获得提名的金曲奖以及提名的奖项
拼接后的输入
在各届金曲奖提名名单中,给出每一位提名的歌手和其所出专辑的数量,其获得提名的金曲奖以及提名的奖项\n上述问题转换成SQL语句是:
代码示例
# -*- coding: utf-8 -* import wenxin_api # 可以通过"pip install wenxin-api"命令安装
from wenxin_api.tasks.text_generation import TextGeneration wenxin_api.ak = "your ak" wenxin_api.sk = "your sk" input_dict = { "text": "在各届金曲
奖提名名单中,给出每一位提名的歌手和其所出专辑的数量,其获得提名的金曲奖以及提名的奖项\n
上述问题转换成SQL语句是:", "seq_len": 512, "topp": 0.5, "min_dec_len": 2, "is_unidi
rectional": 0, "task_prompt": "Text2SQL", "min_dec_penalty_text": "。?:!", "penal
ty_text": "", "mask_type": "word", "logits_bias": 0 } rst = TextGeneration.c
reate(**input_dict) print(rst)
建议配置
# 建议配置1 { "seq_len": 512, "topp": 0.5, "min_dec_len": 2, "is_unidirectional": 0,
"task_prompt": "Text2SQL", "min_dec_penalty_text": "。?:!", "penalty_text": "", "ma
sk_type": "word", "logits_bias": 0 } # 建议配置2 { "seq_len": 512, "topp": 0.3, "min
_dec_len": 2, "is_unidirectional": 0, "task_prompt": "Text2SQL", "min_dec_penalty_te
xt": "。?:!", "penalty_text": "", "mask_type": "word", "logits_bias": 0 } # 建议配置3
{ "seq_len": 512, "topp": 0.3, "min_dec_len": 2, "is_unidirectional": 0, "task_prompt":
"", "min_dec_penalty_text": "。?:!", "penalty_text": "", "mask_type": "word", "logits_bias": 0 }
结果示例
select T3.姓名, T3.专辑数量, T2.名称, T1.奖项名称 from 金曲奖提名名单 as T1 join 各届金曲奖 as T2 jo
in 歌手 as T3 on 金曲奖提名名单.奖届 id==各届金曲奖.词条 id and 金曲奖提名名单.提名歌手 id==歌手.词条 id
文本匹配
判断给定的两句话是否为同一个意思
模版示例
说明:\代表转义,比如\n代表换行。
- 输入模版示例:
如果"{input_text_a}" 那么"{input_text_b}"上面的说法成立还是不成立?
- 其他输入模版示例:
# 示例1: 说"{input_text_a}"是不是就等于说"{input_text_b}"? # 示例2: "{input_text_a}"是不是
相当于"{input_text_b}"? # 示例3: "{input_text_a}"和"{input_text_b}"是不是一个意思? # 示例4:
下面这两个句子"{input_text_a}"和"{input_text_b}"说的是一个意思吗? # 示例5: "{input_text_a}"
和"{input_text_b}"这两个句子是一个意思,对吗? # 示例6: 问题:"{input_text_a}"和"{input_text_
b}"表达的意思相同,对吗?回答: # 示例7: 下面这两个句子"{input_text_a}"和"{input_text_b}"的语
义相同吗? # 示例8: "{input_text_a}"和"{input_text_b}"意思相同吗? # 示例9: 下面两个句子:
"{input_text_a}"和"{input_text_b}"是不是同义?
输入示例
# 示例1: input_text_a: 健全国家安全体系 # 示例2: input_text_b: 国家安全体系需要健全
拼接后的输入
如果"健全国家安全体系" 那么"国家安全体系需要健全"上面的说法成立还是不成立?
代码示例
# -*- coding: utf-8 -* import wenxin_api # 可以通过"pip install wenxin-api"命令安装
from wenxin_api.tasks.text_generation import TextGeneration wenxin_api.ak = "your ak" wenxin_api.sk = "your sk" input_dict = { "text": "如果\"
健全国家安全体系\" 那么\"国家安全体系需要健全\"上面的说法成立还是不成立?", "seq_len": 512,
"topp": 0, "min_dec_len": 2, "is_unidirectional": 0, "task_prompt": "SemanticMatching",
"min_dec_penalty_text": "", "penalty_text": "", "mask_type": "word", "logits_bias": 0 }
rst = TextGeneration.create(**input_dict) print(rst)
建议配置
# 建议配置1 { "seq_len": 512, "topp": 0, "min_dec_len": 2, "is_unidirectional": 0, "
task_prompt": "SemanticMatching", "min_dec_penalty_text": "", "penalty_text": "", "
mask_type": "word", "logits_bias": 0 } # 建议配置2 { "seq_len": 512, "topp": 0, "min_d
ec_len": 1, "is_unidirectional": 0, "task_prompt": "SemanticMatching", "mask_type":
"word", } # 建议配置3 { "seq_len": 512, "topp": 0, "min_dec_len": 1, "is_unidirectional
": 0, "task_prompt": "", "mask_type": "word", }
结果示例
成立
情感分析
给定一段文本,判断该文本的情感倾向
模版示例
说明:\代表转义,比如\n代表换行。
- 输入模版示例:
下面是好评还是差评?\n"{input_text}"
- 其他输入模版示例:
# 示例1: "{input_text}"这是好评吗? # 示例2: 下面这是差评吗?"{input_text}" #
示例3: "{input_text}"从上面的评论来看,产品让人满意吗? # 示例4: 下面评论里提到的
产品值得买吗?"{input_text}" # 示例5: "{input_text}"从上面的文本可以看出评价者的态
度是喜欢还是不喜欢? # 示例6: 下面这个评价是正面还是负面的?{input_text} # 示例7:
"{input_text}"是夸奖还是吐槽? # 示例8: 从"{input_text}"看出买家是满意还是不满意?
# 示例9: "{input_text}"看到这个评价,你会下单吗?
输入示例
希望大家也能像我一样,每家酒店都能尝试的住一下,因为每个酒店都各有特色
拼接后的输入
下面是好评还是差评?\n"希望大家也能像我一样,每家酒店都能尝试的住一下,因为每个酒店都各有特色"
代码示例
# -*- coding: utf-8 -* import wenxin_api # 可以通过"pip install wenxin-api"
命令安装 from wenxin_api.tasks.text_generation import TextGeneration wenxin_api.ak = "your ak" wenxin_api.sk = "your sk" input_dict = { "text": "
下面是好评还是差评?\n\"希望大家也能像我一样,每家酒店都能尝试的住一下,因为每个酒
店都各有特色\"", "seq_len": 512, "topp": 0, "min_dec_len": 2, "is_unidirection
al": 0, "task_prompt": "SentimentClassification", "min_dec_penalty_text": "", "
penalty_text": "", "mask_type": "word", "logits_bias": 0 } rst = TextGeneratio
n.create(**input_dict) print(rst)
建议配置
# 建议配置1 { "seq_len": 512, "topp": 0, "min_dec_len": 2, "is_unidirectional": 0,
"task_prompt": "SentimentClassification", "min_dec_penalty_text": "", "penalty_text
": "", "mask_type": "word", "logits_bias": 0 } # 建议配置2 { "seq_len": 512, "topp
": 0, "min_dec_len": 1, "is_unidirectional": 0, "task_prompt": "SentimentClassific
ation", "mask_type": "word", } # 建议配置3 { "seq_len": 512, "topp": 0, "min_dec_len
": 1, "is_unidirectional": 0, "task_prompt": "", "mask_type": "word", }
结果示例
好评
信息抽取
给定一段文本,抽取文本中相关实体、事件或者关系
模版示例
说明:\代表转义,比如\n代表换行。
- 输入模版示例:
{content}。问题:{question}?回答:
- 其他输入模版示例:
# 示例1: {input_text}\n实体与关系标注为: # 示例2: {input_text}\n该句的命名实体标注为: # 示例3: {input_text}\n文中的实体为:
输入示例
content: 尤卡坦啄木鸟是啄木鸟科、啄木鸟属的一种攀禽,生活在中美洲丛林中。
question: 尤卡坦啄木鸟的属是
拼接后的输入
尤卡坦啄木鸟是啄木鸟科、啄木鸟属的一种攀禽,生活在中美洲丛林中。问题:尤卡坦啄木鸟的属是?回答:
代码示例
# -*- coding: utf-8 -* import wenxin_api # 可以通过"pip install wenxin-api"
命令安装 from wenxin_api.tasks.text_generation import TextGeneration
wenxin_api.ak = "your ak" wenxin_api.sk = "your sk" input_dict = { "text": "尤
卡坦啄木鸟是啄木鸟科、啄木鸟属的一种攀禽,生活在中美洲丛林中。问题:尤卡坦啄木鸟的属
是?回答:", "seq_len": 512, "topp": 0, "min_dec_len": 2, "is_unidirectional":
0, "task_prompt": "QA_MRC", "min_dec_penalty_text": "。?:!", "penalty_text"
: "", "mask_type": "word", "logits_bias": -5 } rst = TextGeneration.create(**input_dict) print(rst)
建议配置
# 建议配置1 { "seq_len": 512, "topp": 0, "min_dec_len": 2, "is_unidirectional": 0,
"task_prompt": "QA_MRC", "min_dec_penalty_text": "。?:!", "penalty_text": "",
"mask_type": "word", "logits_bias": -5 } # 建议配置2 { "seq_len": 512, "topp": 0,
"min_dec_len": 2, "is_unidirectional": 0, "task_prompt": "QA_MRC", "mask_type": "w
ord", } # 建议配置3 { "seq_len": 512, "topp": 0, "min_dec_len": 2, "is_unidirectiona
l": 0, "task_prompt": "", "mask_type": "word", }
结果示例
啄木鸟属