ChineseErrorCorrector：中文文本纠错综合平台终极指南——一站式掌握拼写纠错、语法纠错与SOTA模型五大核心能力-平芜编程栈

ChineseErrorCorrector：中文文本纠错综合平台终极指南——一站式掌握拼写纠错、语法纠错与SOTA模型五大核心能力

【免费下载链接】ChineseErrorCorrector一个面向中文文本纠错任务的综合平台，集学术研究、模型训练、模型评测和推理部署于一体，文本纠错新Sota。（ 2026 ACL Main Oral ）项目地址: https://gitcode.com/gh_mirrors/ch/ChineseErrorCorrector

ChineseErrorCorrector是一个面向中文文本纠错任务的综合平台，集拼写纠错（CSC）与语法纠错（CGEC）的模型训练、评测、推理部署与数据增强于一体。其旗舰模型 ChineseErrorCorrector4-4B 荣获2026 ACL Main Oral，在 NACGEC 与 CSCD 两大权威榜单刷新 SOTA，全面超越 GPT-4。

🎯 项目定位：一个平台覆盖中文纠错全流程

对新手来说，做中文纠错最大的痛点是"东拼西凑"——模型在 A 仓库、评测脚本在 B 仓库、训练数据在 C 仓库。ChineseErrorCorrector 把整条链路整合在一个平台里，覆盖五大核心能力：

核心能力	能做什么	主要入口
🎓 学术研究	持续更新的中文纠错论文清单	README_paper.md
📏 模型评测	支持 80 种语言的通用纠错评测工具 Common Errant	scores/README.md
🚀 推理部署	4B 旗舰模型 + 可选 ELECTRA 字级门控加速	main.py
🧪 数据增强	14 种语法错误一键合成训练语料（2024 CCL 冠军方案）	README_DAT.md
🤖 模型训练	开源 34 万 COT、200 万监督数据等高质量语料	data/

它还曾斩获2024 CCL 冠军、2023 NLPCC-NaCGEC 纠错冠军、2022 FCGEC 纠错冠军，学术与工程双料实力。

🏆 模型家族：从 1.5B 轻量到 4B 旗舰怎么选？

平台提供从轻量到旗舰的完整模型矩阵，按需选择即可：

模型	纠错类型	一句话说明
ChineseErrorCorrector4-4B🔥	语法+拼写	ACL 2026 Main 论文模型，双榜 SOTA，超越 GPT-4
ChineseErrorCorrector3-4B	语法+拼写	200 万数据全量训练，综合效果好
ChineseErrorCorrector2-7B	语法+拼写	200 万数据多轮迭代训练，在 NaCGEC 超越华为 10 个点
ChineseErrorCorrector-7B	拼写	专注音似、形似等拼写错误纠正
ChineseErrorCorrector-1.5B	拼写	轻量款，显存有限时首选
ChineseErrorDetectorElectra	字级检错门控	轻量判别器，先筛句再调大模型，节省算力

SOTA 成绩一览

NaCGEC（语法纠错）：ChineseErrorCorrector4-4B 取得F0.5 = 50.99，第二名仅为 0.4526；
CSCD（拼写纠错）：Correction F1 达59.61，比 GPT-4（54.41）高出 5.2 个点。

🚀 快速上手：中文纠错模型部署三步走

第 1 步：获取代码并安装依赖

git clone https://gitcode.com/gh_mirrors/ch/ChineseErrorCorrector cd ChineseErrorCorrector pip install -r requirements.txt

第 2 步：选择推理方式（三选一）

transformers：单机本地推理，适合调试与小规模评测；
vLLM 异步批量推理（工程推荐）：vllm serve启动模型后，通过 OpenAI 兼容接口调用，config.py中修改接口地址即可接入；
modelscope：国内用户镜像下载更省事。

第 3 步：运行批量纠错

python main.py

v4 旗舰模型的输出比上一代更"透明"——不仅给出纠正后的句子，还额外返回错误类型和修改原因，例如"朋唷 → 朋友"会被标注为"错别字"，并解释是同音字误用。

配置集中在 config.py 的TextCorrectConfig中，接口地址、模型名、并发数都可以通过环境变量覆盖，开箱即用。

省钱技巧：ELECTRA 字级门控加速

大模型逐句生成成本高？平台内置可选的轻量字级判别器：先把句子过一遍 ELECTRA 门控，只对疑似有错的句子调用 4B 大模型，明显干净的句子直接跳过。在 config.py 中把USE_DETECTOR设为True即可启用，门控逻辑见 electra_char_gate_infer.py，详细说明见 README_ELECTRA.md。

🧪 数据增强：14 种语法错误一键合成

这是平台的"隐藏杀手锏"——2024 CCL 冠军方案的核心组件。如果你的领域语料（医疗、法律、教育……）缺少带错误的训练样本，只需一条命令安装 PyPI 包，即可在任意中文文本上注入 14 种语法错误：

from ChineseErrorCorrector.utils.dat import GrammarErrorDat dat = GrammarErrorDat() dat.lack_word("小明住在北京") # 缺字漏字 dat.error_word("小明住在北京") # 错别字

以"祥子再度沉沦"这句为例，工具会随机选择 1~4 种错误进行注入（去掉标点、把"沦"改成"论"等），自动生成带标注的训练对。完整 API 见 dat.py，使用文档见 README_DAT.md。

14 种错误类型覆盖四大粒度，每种都配有真实例句：

缺字漏字、错别字、标点问题、主语/谓语/宾语残缺与多余、语序不当、动宾搭配不当……基本覆盖了中文病句的常见类型。

📏 模型评测：Common Errant 通用纠错评测工具

评测评测不用自己写脚本。平台内置Common Errant通用文本纠错评测工具，支持中文、英文等高资源语言和印地语、孟加拉语等低资源语言，共覆盖 80 种语言。

评测流程很直接：

用 parallel_to_m2.py 把"原文 + 标注 / 原文 + 预测"转成 M2 评测文件；
用 compare_m2.py 对比参考与预测，一键算出 F1 分数。

各语言（中文、英文、德语、乌克兰语、韩语等）的编辑合并与错误分类规则都封装在 scores/ 对应语言目录下，详细操作步骤见 scores/README.md。

🤖 模型训练：用 LLaMA-Factory 微调你的纠错模型

想在自有领域数据上训练纠错模型？平台推荐业界主流框架LLaMA-Factory，并提供了充足的弹药：

训练数据	规模	用途
34 万 COT 数据集	34 万	带错误推理链，用于训练 v4 旗舰模型
200 万监督数据集	200 万	常规 (src, tgt) 监督对，用于 v3 系列
拼写纠错数据集（CSC）	W271K / Medical / Lemon 等	拼写方向专项训练
语法纠错数据集（CGC）	CGED / FCGEC / MuCGEC / NaCGEC	语法方向专项训练
Lang8+HSK 混合语料	156 万	拼写+语法混合

选型建议：有 COT 数据优先以 ChineseErrorCorrector4 为基座；只有常规监督数据则推荐 ChineseErrorCorrector3 为基座。领域语料不足时，先用上文的数据增强工具合成错误样本再喂给训练框架。训练完成后的权重用vllm serve加载，把config.py里的OPENAI_MODEL改成自己的模型名即可无缝接入推理与评测流程。

📂 关键文件导航

文件	作用
main.py	推理主入口，`ErrorCorrect.infer`一键批量纠错
config.py	全部配置：接口地址、模型版本、门控开关
llm/infer/openai_infer.py	OpenAI 兼容接口调用与 v3/v4 输出解析
llm/infer/electra_char_gate_infer.py	ELECTRA 字级门控实现
utils/dat.py	14 种语法错误增强核心实现
scores/	Common Errant 评测工具（80 语言）
data/	训练数据、混淆字表等业务数据
requirements.txt	依赖清单