这就是Google研究人员开发LaserTagger的原因，LaserTagger是一种开放源代码的文本编辑模型，该模型可以预测将源文本转换为目标文本的一系列编辑操作。他们表示LaserTagger以一种不易出错的方式处理文本生成，并且更易于训练和执行。
LaserTagger的发布是Google在自然语言处理和理解领域迈出的重要一步。本周，他们完成了Meena的总结，Meena是一个具有26亿个参数的神经网络，可以处理多圈对话。
LaserTagger的工作原理是：对于许多文本生成任务，输入和输出之间经常存在重叠。例如，在检测和纠正语法错误或融合多个句子时，大多数输入文本可以保持不变，只需修改一小部分单词。然后，LaserTagger会产生一系列的编辑操作，而不是实际的单词，例如keep（将单词复制到输出，delete 删除单词，以及keep-addx或delete-addx在标记前添加短语X，并可以选择删除已标记的字）。
添加的短语来自受限制的词汇表，该词汇表已经过优化，可以最大程度地减少词汇量，并增加训练示例的数量。添加到目标文本的唯一必要单词仅来自词汇表，从而避免了模型添加任意单词并减轻了模糊的问题（即，产生输入文本不支持的输出）。而且LaserTagger可以高精度地并行预测编辑操作，与顺序执行预测的模型相比，可以实现端到端的加速。
对多个文本生成任务进行了评估，LaserTagger在使用大量训练示例的基准模型上表现出“相当强大”的性能，并且速度比之前快了100倍。即使仅使用几百或几千个培训示例进行培训，它也会产生“合理”的结果，可以手动编辑或整理。
该团队写道：“ LaserTagger的优势在大规模应用时变得更加明显，例如，通过减少响应的长度并减少重复性，改进了某些服务中语音应答的格式。高推理速度使该模型可以插入现有技术堆栈中，而不会在用户端增加任何明显的延迟，而改进的数据效率可以收集多种语言的训练数据，从而使来自不同语言背景的用户受益。”
GitHub链接：
https://github.com/google-research/lasertagger
