三段式模型栈
将三种模型结合使用:与布局和语言无关的编码器、单语言 ContextLM,以及针对特定布局的解码器,以提高准确率。
FUTO Swipe 是一款滑动输入研究发布,整合数据集、模型栈和 C++ 解码库,可将滑动轨迹转为词语预测。适用于构建、评估和研究滑动输入系统,现已提供 QWERTY 英文解码器及 HuggingFace 上的 MIT 许可数据集。
FUTO Swipe 是一项滑动输入研究和模型发布,重点在于将手绘键盘轨迹转化为词语预测。该项目结合了已发布的数据集、训练模型和解码库,使滑动输入能够被评估并用于推理工作流。
该网站描述了一个由三部分组成的模型栈:通用编码器、单语言 ContextLM 和特定布局解码器。结合受词典约束的 beam search,这些组件旨在提升滑动预测质量,同时保持模型足够小以便在低端设备上运行。
该项目源自 2024 年 8 月在 swipe.futo.org 上开展的数据集采集工作。该工作产出了超过 100 万条滑动轨迹,而一份清洗后的 100 万条滑动轨迹数据集已于 2025 年 3 月在 HuggingFace 上以 MIT 许可发布。
FUTO Swipe 还发布了 swipe-library,这是一个用于推理、解码和 beam search 的 C++ 库。网站将其定位为从滑动轨迹走向排序候选词所缺失的关键一环。
将三种模型结合使用:与布局和语言无关的编码器、单语言 ContextLM,以及针对特定布局的解码器,以提高准确率。
编码器提供跨布局和语言的通用滑动预测,而解码器针对特定布局和语言训练,以捕捉键盘特有行为。
ContextLM 使用前文句子上下文来抑制不合理的词序列,而且训练只需要文本数据。
受词典约束的 beam search 会根据滑动轨迹对候选词打分;因为原始模型输出本身并不足够,所以这一环节是必要的。
该发布包含 swipe-library,这是一个负责从滑动轨迹到词语预测的推理、解码和 beam search 的 C++ 库。
网站称已发布一个包含 100 万条英文 QWERTY 滑动轨迹、并采用 MIT 许可的数据集,用于训练和评估模型。
使用已发布的数据集和模型说明来研究滑动输入系统、比较不同方法,或在受控的英文 QWERTY 语料上复现评估。
在构建或测试需要根据原始手势轨迹进行候选排序的滑动到词语管线时,联合使用编码器、ContextLM 和解码器。
当你需要模型输出之外的解码和 beam search 层,而不仅仅是输出分数的原始模型时,使用 swipe-library。
使用已发布资源理解上下文、布局知识和布局特定训练在多大程度上影响预测质量。
在面向对毫秒级推理和低计算量有要求的设备或环境时,使用这个轻量级模型栈。
源文将 Swipe 描述为一个由已发布的滑动输入数据集、训练模型和用于将轨迹解码为词语预测的 C++ swipe-library 组成的滑动输入系统。
页面说明当前发布的解码器仅支持 QWERTY 英文,因为解码器训练需要特定布局和语言的滑动输入数据。
网站称该数据集已在 MIT 许可下发布,并可在 HuggingFace 上获取。
这些模型被描述为足够小,可在低端设备上以毫秒级运行;网站还说明完整栈使用受词典约束的 beam search 来生成候选词。
页面未列出面向消费者的应用、SDK 或托管 API;它将这些模型和 swipe-library 作为用于滑动到词语预测工作流的发布资源。