ChineseErrorCorrector：中文文本纠错综合平台

🇨🇳中文 English

---

📌 项目定位

ChineseErrorCorrector 是一个面向中文文本纠错任务的综合平台，集 学术研究 · 模型评测 · 推理部署 · 数据增强 · 模型训练 于一体，覆盖 拼写纠错（CSC） 与 语法纠错（CGEC） 两大核心方向，如有帮助，感谢您的 Star ✨。

🏆 荣获 2026 ACL Main Oral（ChineseErrorCorrector4-4B）🎉 · 2024 CCL 冠军 · 2023 NLPCC-NaCGEC 纠错冠军 · 2022 FCGEC 纠错冠军。

✨ 平台四大支柱 + 训练入口

🔥🔥🔥 新闻

[2026/06/02] 🎉🎉🎉 ChineseErrorCorrector4-4B 论文发布！ 查看论文

[2026/05/19] 🎉🎉🎉 ChineseErrorCorrector4-4B 正式开源发布！ 论文荣获 ACL 2026 Main，在 NACGEC 和 CSCD 双榜刷新 SOTA，全面超越 GPT-4 及同量级模型！ 🤗 HuggingFace 模型地址

[2026/05/14] 🎉 开源字级检错门控模型 xurong123/ChineseErrorDetectorElectra：基于 Chinese ELECTRA 的轻量字级判别器，作为大模型纠错前的可选门控，仅对疑似有错的句子调用 4B 大模型，显著节省推理算力。详见 README_ELECTRA.md。

[2026/02/28] 我们在 HuggingFace 和 ModelScope 开源了 ChineseErrorCorrector3 模型体验地址 🥳，欢迎大家访问进行试用。

🤗 HuggingFace 体验地址  |  👉 ModelScope 体验地址

📋 查看更多历史更新

[2025/12/11] 我们正在加速研发全新一代 ChineseErrorCorrector4-4B ⚡🔥（即 ACL 2026 Main 论文模型），并同步筹备论文发布！这一版本将力求打造最强的中文文本纠错基线，提供更稳、更快、更准的整体体验。期待与大家再次相遇！🎉

[2025/11/25] 发布ChineseErrorCorrector3-4B论文 🎉，更多技术细节，欢迎大家查阅。

[2025/08/08] 发布通用的文本评测工具-Common Errant（支持80种语言） 🎉，可以在高（中文、英文）、低资源（印地语、孟加拉语等）上进行文本纠错的评测。

[2025/08/06] 发布文本纠错相关论文（持续更新版） 🥳，方便大家进行研学。

[2025/08/01] 发布twnlp/ChineseErrorCorrector3-4B 🎉🎉🎉，泛化性全面提升，在开源的所有模型中，位列第一，榜单详情。

[2025/05/01] 根据建议，我们重新训练纠错模型(ChineseErrorCorrector2-7B)，并完全开源训练步骤，支持结果复现，复现教程

[2025/03/17] 更新批量错误文本的解析，transformers批量解析 ;VLLM批量解析

[2025/03/10] 模型支持多种推理方式，包括 transformers、VLLM、modelscope。

[2025/02/25] 🎉🎉🎉使用200万纠错数据进行多轮迭代训练，发布了twnlp/ChineseErrorCorrector2-7B，在 NaCGEC-2023NLPCC官方评测数据集上，超越第一名华为10个点，遥遥领先，技术详情

[2025/02] 为方便部署，使用38万开源拼写数据，发布了twnlp/ChineseErrorCorrector-1.5B

[2025/01] 使用38万开源拼写数据，基于Qwen2.5训练中文拼写纠错模型，支持语似、形似等错误纠正，发布了twnlp/ChineseErrorCorrector-7B，twnlp/ChineseErrorCorrector-32B-LORA

[2024/06] v0.1.0版本：🎉🎉🎉开源一键语法错误增强工具，该工具可以进行14种语法错误的增强，不同行业可以根据自己的数据进行错误替换，来训练自己的语法和拼写模型。详见Tag-v0.1.0

🎯 模型列表

📊 数据集

🏗️ Evaluation

为了验证ChineseErrorCorrector系列模型的有效性，我们从泛化性和专业性两个方面进行了全面的对比，都为业界的Sota。

说明：泛化性评测 为pycorrector提出的评测榜单，专业性评测是顶会论文中公认的评测数据集。

1、泛化性评测

• 评估指标：F1
• CSC(Chinese Spelling Correction): 拼写纠错模型，表示模型可以处理音似、形似、语法等长度对齐的错误纠正
• CTC(Chinese Text Correction): 文本纠错模型，表示模型支持拼写、语法等长度对齐的错误纠正，还可以处理多字、少字等长度不对齐的错误纠正
• GPU：Tesla V100，显存 32 GB

2、语法纠错（两个权威数据集Sota）

NaCGEC 数据集 🏆

• 评估工具：ChERRANT 评测工具
• 评估数据：NaCGEC
• 评估指标：F0.5

CSCD 数据集 🏆（拼写检查新 SOTA）

• 评估指标：Correction F1

🚀 快速开始（推理部署）

本仓库提供 3 种推理调用方式，覆盖单机调试、工程化部署、国内镜像三类场景：

• 🤗 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）：通过 OpenAI 兼容接口 + 本仓库 main.py 后处理，工程化首选。
• 🤖 modelscope：国内用户镜像下载。

以下示例均以最新旗舰模型 ChineseErrorCorrector4-4B 为例。如需使用上一代模型，将 model_name 替换为 twnlp/ChineseErrorCorrector3-4B 即可。

🤗 transformers

pip install -U transformers torch

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "twnlp/ChineseErrorCorrector4-4B"

tokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype=torch.bfloat16,
    device_map="auto",
    trust_remote_code=True
)

instruction = (
    "假如你是一名专业的纠错专家，请分析输入句子的语法错误类型和修改原因，"
    "并只输出纠正后的语句，错误类型如下：错别字、词语搭配错误、词性错误、"
    "语序错误、成分残缺、成分赘余、关联词使用错误、指代不明、语义逻辑不通、无误。"
)
text_input = "对待每一项工作都要一丝不够。"

messages = [
    {"role": "system", "content": instruction},
    {"role": "user", "content": text_input}
]
text = tokenizer.apply_chat_template(
    messages, tokenize=False, add_generation_prompt=True
)
model_inputs = tokenizer([text], return_tensors="pt").to(model.device)

generated_ids = model.generate(
    **model_inputs,
    max_new_tokens=512,
    do_sample=False,
    repetition_penalty=1.1
)
response = tokenizer.decode(
    generated_ids[0][len(model_inputs.input_ids[0]):],
    skip_special_tokens=True
)
print(response)

👍 VLLM 异步批量推理（工程推荐）

本仓库的推理主链路通过 OpenAI 兼容接口调用 4B 大模型，需要先用 vLLM 启动模型服务，再通过 config.py 配置接口地址即可使用。

• Clone the repo

git clone https://github.com/TW-NLP/ChineseErrorCorrector
cd ChineseErrorCorrector

• Install Conda: please see https://docs.conda.io/en/latest/miniconda.html
• Create Conda env:

conda create -n zh_correct -y python=3.10
conda activate zh_correct
pip install -r requirements.txt
# 国内镜像：
pip install -r requirements.txt -i https://mirrors.aliyun.com/pypi/simple/ --trusted-host=mirrors.aliyun.com

使用 vLLM 启动 4B 大模型（OpenAI 兼容接口）：

# v4（推荐）
CUDA_VISIBLE_DEVICES=0 nohup vllm serve twnlp/ChineseErrorCorrector4-4B \
    --port 8000 \
    --max-model-len 2048 \
    --gpu-memory-utilization 0.9 \
    --seed 42 \
    >chinese_corrector.log 2>&1 &
# 想用 v3：把模型名替换为 twnlp/ChineseErrorCorrector3-4B 即可，--max-model-len 1024 够用

在 ChineseErrorCorrector/config.py 的 TextCorrectConfig 中按需修改接口配置（或用环境变量 CEC_OPENAI_BASE_URL / CEC_OPENAI_API_KEY / CEC_OPENAI_MODEL 覆盖）：

本仓库会按 OPENAI_MODEL 名字自动判定 v3/v4（名字含 4-4B / Corrector4 视为 v4），自动适配 prompt 并解析 v4 输出里的 <think>...</think> 思考块；对外接口 v3/v4 一致，v4 时返回结果会额外携带错误类型与修改原因字段（v3 则为 None）。如需手动指定版本，可改 MODEL_VERSION（auto/v3/v4）。

批量预测：

python main.py
# v3 输出（error_type / error_reason 为 None）：
# [{'source': '对待每一项工作都要一丝不够。', 'target': '对待每一项工作都要一丝不苟。',
#   'errors': [('够', '苟', 12)], 'error_type': None, 'error_reason': None},
#  {'source': '大约半个小时左右', 'target': '大约半个小时',
#   'errors': [('左右', '', 6)], 'error_type': None, 'error_reason': None}]

# v4 输出（额外带 error_type / error_reason）：
# [{'source': '下个星期，我跟我朋唷打算去法国玩儿。', 'target': '下个星期，我跟我朋友打算去法国玩儿。',
#   'errors': [('唷', '友', 8)],
#   'error_type': '错别字',
#   'error_reason': '原句中的"朋唷"应为"朋友"，"唷"是语气助词，不能用于表示同伴的词语中，属于同音字误用...'}]

ELECTRA 字级门控（可选）

主链路默认仅调用 4B 大模型 OpenAI 接口。若希望在调用大模型前先过滤明显无错的句子以省算力、降延迟，可启用可选的 ELECTRA 字级判别器门控：在 ChineseErrorCorrector/config.py 中将 TextCorrectConfig.USE_DETECTOR 设为 True 即可，模型、阈值、batch 等细节、性能数据、训练/验证语料与示例代码均见单独文档：README_ELECTRA.md。

数据增强（PyPI 包 · 2024 CCL 冠军方案）

开源「一键语法错误增强工具」，支持 14 种语法错误增强，可在任意行业数据上合成训练语料，是 2024 CCL 冠军方案 的核心组件。

📦 PyPI 主页：https://pypi.org/project/ChineseErrorCorrector/ · 📖 完整 API 文档：ChineseErrorCorrector/README_DAT.md

支持的错误类型：缺字漏字 / 错别字 / 缺少标点 / 错用标点 / 主语不明 / 谓语残缺 / 宾语残缺 / 其他成分残缺 / 虚词多余 / 其他成分多余 / 主语多余 / 语序不当 / 动宾搭配不当 / 其他搭配不当。

pip install ChineseErrorCorrector
# 国内镜像：
# pip install ChineseErrorCorrector -i https://mirrors.aliyun.com/pypi/simple/ --trusted-host=mirrors.aliyun.com

from ChineseErrorCorrector.utils.dat import GrammarErrorDat

dat = GrammarErrorDat()
print(dat.lack_word("小明住在北京"))       # 缺字漏字
print(dat.error_word("小明住在北京"))      # 错别字
print(dat.lack_punctuation("小明住在北京")) # 缺少标点
# 更多 11 种增强类型详见 README_DAT.md

🤖 模型训练（推荐 LLaMA-Factory）

本仓库不再内置训练代码。如需在自有领域数据上训练或继续微调中文纠错模型，推荐使用业界主流框架 LLaMA-Factory：

• 训练数据：直接使用我们开源的 34万COT数据集、 200 万条监督数据、twnlp/csc_data、拼写数据集
• 数据增强：领域语料不足时，先用本仓库 pip install ChineseErrorCorrector 增强出语法/拼写错误样本，再喂给 LLaMA-Factory。
• 基座模型：若有COT数据，训练模型，优先使用ChineseErrorCorrector4作为基座进行训练，若有常规监督数据（例如：src,tgt），基座模型推荐使用 ChineseErrorCorrector3进行训练。
• 训练 Prompt：ChineseErrorCorrector4 参考：34万COT数据集、ChineseErrorCorrector3 参考： 200 万条监督数据

训练完成后，将权重路径喂给 vLLM vllm serve <your_model>，在 config.py 把 OPENAI_MODEL 改成你自己的模型名即可无缝接入本仓库的推理与评测流程。

Citation

如果本工作对您有帮助，欢迎引用：

@inproceedings{tian-etal-2026-csrp,
    title = "{CSRP}: Chain-of-Thought Reasoning for {C}hinese Text Correction via Reinforcement Learning with Efficiency-Aware Rewards",
    author = "Tian, Wei  and
      Zhou, Yuhao  and
      Lan, Man",
    editor = "Liakata, Maria  and
      Moreira, Viviane P.  and
      Zhang, Jiajun  and
      Jurgens, David",
    booktitle = "Proceedings of the 64th Annual Meeting of the {A}ssociation for {C}omputational {L}inguistics (Volume 1: Long Papers)",
    month = jul,
    year = "2026",
    address = "San Diego, California, United States",
    publisher = "Association for Computational Linguistics",
    url = "https://aclanthology.org/2026.acl-long.1733/",
    pages = "37349--37365",
    ISBN = "979-8-89176-390-6",
    abstract = "Large Language Model (LLM) based Chinese Grammatical Error Correction (CGEC) systems face two critical challenges: general-purpose models lack specialized linguistic priors for subtle grammatical distinctions, and Supervised Fine-Tuning (SFT) with Maximum Likelihood Estimation fails to optimize for precision-focused metrics, leading to systematic over-correction. We propose CSRP, a three-stage framework that progressively builds correction capability through Continual Pre-training (CPT) on 5.9M balanced samples to internalize domain knowledge, Chain-of-Thought SFT with explicit error reasoning for diagnostic transparency, and Group Relative Policy Optimization with a novel Efficiency-Aware Reward that explicitly penalizes unnecessary edits. On the NACGEC benchmark, CSRP achieves state-of-the-art performance with 50.99 $F_{0.5}$ and 57.17 precision, substantially outperforming previous best results while effectively mitigating the over-correction bias inherent in MLE-trained models. Our method also advances CSCD spelling correction to 59.61 F1, surpassing GPT-4 by 5.20 points. Comprehensive ablation studies demonstrate that the RL alignment stage contributes a 8{\%} relative gain over the SFT baseline, and that this gain is orthogonal to the contribution of large-scale CPT, validating that explicit optimization for edit efficiency is essential for high-quality grammatical error correction. Our code is available at https://github.com/TW-NLP/ChineseErrorCorrector."
}

@misc{tian2025chineseerrorcorrector34bstateoftheartchinesespelling,
      title={ChineseErrorCorrector3-4B: State-of-the-Art Chinese Spelling and Grammar Corrector},
      author={Wei Tian and YuhaoZhou},
      year={2025},
      eprint={2511.17562},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2511.17562},
}

🤝 Contributing（贡献指南）

欢迎任何形式的贡献：报告 Issue、完善文档、补充数据、修复 Bug、提交新特性等。提交前请先阅读 CONTRIBUTING.md，了解 Issue / Pull Request 的提交规范与代码风格要求。

📄 License（开源协议）

本项目基于 Apache-2.0 License 开源，可自由用于学术研究与商业用途，使用时请保留版权与协议声明。

Contact

微信： NLP技术交流群。

References

• 中文纠错系统
• 纠错论文
• 纠错评测

GitHub Star History