UIE模型是百度今年开源出来的可以应用于zero-shot的新模型，其功能强大使用简便，虽不至于将NLP带入一个新的阶段，但也确实极大的降低了NLP基础任务的工程化使用门槛，是一个非常有效的工具。

近期花了一些时间来阅读UIE的源码和论文，也做了一些实践，看了许多文章，作为总结性的文档，本文从读UIE源码后的一点感受，围绕到底是哪个UIE？、paddle和原版的UIE、UIE真是“大一统么以及UIE为什么有效等几个方面进行介绍，供大家参考。

当然，只是个人的一些理解，仅供参考与批评。

一、从读UIE源码后的一点感受谈起

前段时间百度推出的UIE模型在各个NLP相关的公众号刷屏，基本上都是以“大一统”的字眼进行介绍的，出于好奇，我也安装了paddle，体验了一把这个模型。

>>> from pprint import pprint>>> from paddlenlp import Taskflow

>>> schema = ['时间', '选手', '赛事名称'] # Define the schema for entity extraction>>> ie = Taskflow('information_extraction', schema=schema)>>> pprint(ie("2月8日上午北京冬奥会自由式滑雪女子大跳台决赛中中国选手谷爱凌以188.25分获得金牌！")) # Better print results using pprint

[{'时间': [{'end': 6,

          'probability': 0.9857378532924486,

          'start': 0,

          'text': '2月8日上午'}],

  '赛事名称': [{'end': 23,

            'probability': 0.8503089953268272,

            'start': 6,

            'text': '北京冬奥会自由式滑雪女子大跳台决赛'}],

  '选手': [{'end': 31,

          'probability': 0.8981548639781138,

          'start': 28,

          'text': '谷爱凌'}]}]

根据官方的提示，果不其然地获取到了不错的结果，这也是prompt这一概念一年前提出到现在，我第一次接触到从应用角度来讲，令我感到惊喜的模型。但是惊喜之余，仔细揣摩了一番，又感觉这个“大一统”的模型似乎并没有特别新奇之处。

这几天读了一遍UIE的源码，给大家分享几点感触：

UIE的原理是什么，最核心在于构造了一个针对不同任务【实体识别，关系抽取，事件抽取，情感分析等】的统一输出样式，其他并无重大创新。本质上SSI就是schema，SEL是形式化后的预测格式，相当于是对齐了T5的输入输出，整个代码的核心是数据格式的转换【大部分代码】，底层模型使用的就是Seq2seq的预测模型。

  1. 如果要起底它，其实是Bart/T5的一个延伸而已，把预测阶段把输入输出对齐到了T5上。
  2. UIE的可贵之处，在于其预训练数据和训练模型，而不在于其统一任务的格式【非核心】。
  3. 进一步延伸到prompt，若要起底，可能还是T5【当时出来的时候，加在text前的prefix，就是现在的prompt，只是没那么叫】，学界目前更多的是把这个prefix抽离出来，并一顿规范、抽离，称之为prompt learning。
  4. 进一步延伸到现在UIE等方法的屠榜，大胆的认为，本质上是归结于大模型本身，而且大模型作为一个参数化的大知识图谱可能是成立的【我们不知道里面还有什么，能有什么，既然已经喂了几十T的数据】，比如在kgclue榜单，作为单跳问答score已经到0.99了，而我们看ernie的训练数据本身就有问答数据，百科数据，所以这个测试集的答案本身就包含在预训练任务当中的【俗称泄露穿越】，这也说明了预训练模型的后续方向就变成了"通过某种方式，向它套取东西，套取形式化的数据"，而这种方式，就是模板，就是与预训练任务对齐的完形填空【T5】或者干扰【Bart】等。形式化的数据，可能就是某种迁移能力，或者直接的内含结果。