[开源] Wapic : 一个 C++17 CRF 中文分词工具

最近把自己写的中文分词工具 Wapic 整理并发布到了 PyPI ，想请大家试用、拍砖。

Wapic 是一个使用 C++17 实现的线性链 CRF 中文分词工具，提供 Python API ，也支持从头训练模型。

现在安装时会自动带上默认模型，不需要另外下载或现场编译：

pip install wapic

使用示例：

import wapic

seg = wapic.Segmenter()
print(seg.segment("中华人民共和国成立了"))

输出：

['中华人民共和国', '成立', '了']

目前支持：

• CPython 3.9–3.14
• Linux 、Windows 、Intel Mac 、Apple Silicon Mac
• 单句分词、BMES 标签和多核批量推理
• 加载自定义模型
• SGD-L1 、L-BFGS/OWL-QN 训练
• MIT License

发布模型在 PeopleDaily 和自建测试集上的 F1 分别为 98.01 和 97.95。

模型约 30 MB ，底层是传统 CRF ，不依赖 PyTorch 等大型运行时。

项目地址：

• GitHub：https://github.com/Ismantic/Wapic
• PyPI：https://pypi.org/project/wapic/
• 模型：https://huggingface.co/Ismantic/Wapic-CWS

目前尤其想收集人名、机构名、中英混排和数字表达方面的 bad case 。

如果大家愿意试一下，欢迎直接贴出分错的句子，或者在 GitHub 提交 issue 。