中文检错前筛模型：背景、训练、改造与结果摘要

This model is a character-level Chinese error detector presented in the paper CSRP: Chain-of-Thought Reasoning for Chinese Text Correction via Reinforcement Learning with Efficiency-Aware Rewards.

The official code is available in the ChineseErrorCorrector repository.

本文档概括本仓库在「纠错前筛」方向上的字级检测目标、数据与上游来源、训练与改造过程，以及阶段性评测与性能结论。操作级命令仍以 UPLOAD_AND_TRAIN.txt、CHAR_PIPELINE.txt 为准。

1. 背景

工业里完整纠错往往依赖大模型，成本高、延迟大。常见做法是先用轻量模型判断「哪些字在对齐意义上可能有问题」，再决定是否送下游纠错。本仓库主线为 字级 TokenClassification：输入为带错误的 source 与参考 target 对，子词对齐到字后学习 0/1 标签；推理侧用 pipeline_char 等，按字级概率与阈值决定是否触发纠错链路。

任务与 TW-NLP 开源的 ChineseErrorCorrector 生态在数据谱系上一致：覆盖拼写、语法等多类现象；本仓库检测头为 判别式微调，不直接复现其生成式纠错大模型。

2. 参考的上游项目与预训练模型

2.1 GitHub（方法、数据谱系与评测语境）

README 中列出 CSC（拼写）、CGC（语法）、Lang8+HSK（混合） 等数据来源；本仓库分层验证集构造与上述谱系对齐（见下文）。

2.3 预训练基座（Hugging Face）

本仓库对外说明与发布用的字级模型，均基于 Chinese ELECTRA 判别器 微调：

需 Fast tokenizer（return_offsets_mapping=True）。预下载示例：

python download_base_model.py --model_id hfl/chinese-electra-180g-base-discriminator --local_dir pretrained/hfl_chinese-electra-180g-base-discriminator

3. 数据与标签

• 训练/验证主 JSONL：由 CEC 转换而来，每行 {"source","target"}；本地常见文件名 data/cec_train.jsonl、data/cec_validation.jsonl。
• 字级标签：char_align.py 对归一化后的 source/target 做 difflib.SequenceMatcher，replace/delete 在 source 上标 1，其余 0；纯 insert 在 target 侧时 source 可能全 0，属规则定义而非实现错误。
• 分层验证集 data/val_task_stratified.jsonl：由 prepare_task_validation_jsonl.py 从 csc / cgc 等抽样，字段含 task（spelling / grammar / mixed）与 corpus。mixed 在 Lang8 不可用时自动回退为 cec_validation.jsonl 抽样，并在 corpus 中标注 mixed_fallback:cec_validation.jsonl。

4. 训练过程（字级，ELECTRA）

• 脚本：train_char.py；基座 --model_name_or_path 指向 hfl/chinese-electra-180g-base-discriminator（本地目录或 Hub id 均可）。
• 任务：TokenClassification，Fast tokenizer + offset_mapping 对齐到字。
• 类别不平衡：类权重、可选 class_weight_cap；损失可选 加权 CE 或 Focal（CharTokenTrainer）；可选 neg_subsample_keep、err_weight_mult。
• 选优：trainer_metrics.py 与 Trainer 的 eval_* 对齐（如 metric_for_best recall）。
• 评测：evaluate_char.py；上线：pipeline_char.py（整句是否送纠错由 max(p_ERR) 与 sentence_threshold 决定，见 evaluate_char --sweep_sentence）。
• 命令备忘：见 TRAIN_CHAR_ELECTRA.txt。

4.1 验证集用法

• 随机划分：默认 train_char.py 内 train_test_split。
• 固定分层验证：--val_jsonl data/val_task_stratified.jsonl，训练仍用全量 cec_train.jsonl。
• 按 task 分层划分：训练 JSONL 含 task 列时 --stratify_val_by_task（与 --val_jsonl 互斥）。

5. 改造过程（相对「仅 CEC + 单验证集」的基线）

6. 结果摘要（阶段性，非最终产品指标）

以下数值来自实际跑通的分任务验证与测速，仅作阶段记录；换数据、随机种子、checkpoint 会变，另外项目仅开放上传了ELECTRA训练出来的结果。

6.1 字级整体（全 task 混合，TokenClassification argmax）

6.2 字级按 task（更清晰对照）

6.2.1 spelling（99500 tokens）

6.2.2 grammar（128877 tokens）

6.2.3 mixed（131629 tokens）

解读： spelling 子集（ELECTRA 在 F1/precision 上更高）；grammar MacBERT 略高；mixed 上 ELECTRA 召回更高。全混合 F1 不宜单独代表拼写能力。

6.3 句级 max(p_ERR) 分布（按金标是否含错字）

6.4 门控阈值扫（need_correct := max_p_err >= thr，target_recall_used=0.9）

6.5 推理速度（示例：ELECTRA 字级、A100、batch 推理）

• 在 batch_size=1024、max_length=256、约 1.4 万句 的基准下，曾测得约 108 句/秒、约 9.3 ms/句（纯 GPU 推理循环，不含线上 I/O）。
• 小样本、非 batch 测得的吞吐 不能代表稳态；应以 大批量 + 合理 warmup 为准（见 benchmark_char_inference.py）。

7. 仓库内文档与入口

若要把服务器上的 char_detector_electra.tar.gz（或解压后的 save_pretrained 目录）做成 新的 HF Model 项目，按 HUGGINGFACE_PUBLISH.md 操作即可；模型页 README.md 可与本文指标、基座说明保持一致。

8. 引用与致谢

方法与数据谱系主要参考 TW-NLP 的 ChineseErrorCorrector 项目及其公开的 Hugging Face 数据集与模型卡片；预训练骨干为 哈工大 HFL 发布的 Chinese ELECTRA（discriminator）。具体论文与引用格式见上游与 ELECTRA 模型页 相关说明。

@misc{tian2026csrpchainofthoughtreasoningchinese,
      title={CSRP: Chain-of-Thought Reasoning for Chinese Text Correction via Reinforcement Learning with Efficiency-Aware Rewards}, 
      author={Wei Tian and Yuhao Zhou and Man Lan},
      year={2026},
      eprint={2606.00020},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2606.00020}, 
}