基于 PyTorch 的轻量级 NLP 框架，几行代码就能完成命名实体识别、词性标注、语义角色标注等序列标注任务的训练与微调。

微软开源的 PII 检测与脱敏框架，能从文本、图像和结构化数据中识别并匿名化姓名、电话等敏感信息，支持 NLP 与正则规则组合的自定义流水线。

一套面向知识图谱抽取与构建的开源工具包，支持命名实体识别、关系抽取、属性抽取和事件抽取，覆盖少样本、文档级和指令抽取等场景。

基于 Spark 的分布式 NLP 库，把 BERT、LLM、ONNX 等模型封装成可直接调用的流水线，在集群上批量做命名实体识别、分词、翻译等任务。

面向俄语的轻量级 NLP 工具集，把分词、词形还原、命名实体识别、句法分析等基础任务封装成统一 API，适合快速搭建俄语文本处理流程。

把大语言模型接入 spaCy 的结构化 NLP 流水线，用提示词完成命名实体识别等任务，无需训练即可复用现有流程。

C# 高性能自然语言处理库，借鉴 spaCy 设计，内置预训练模型，支持词与文档嵌入训练及灵活实体识别。

基于 Transformers 的 Python 训练库，把文本分类、NER、问答、信息检索、语言生成、多模态和对话 AI 等任务的训练与推理流程统一封装，省去手写训练循环的麻烦。

基于 PyTorch 的 Transformers 库入门教程，手把手演示文本分类、NER、问答、摘要等常见 NLP 任务的训练与微调流程。

用 PyTorch 复现 bert4keras 风格的 Transformer 实现，支持 BERT、LLaMA、ChatGLM 等模型，方便做 NLP 训练与推理。

用 TensorFlow/Keras 串联从文本预处理到 BERT、GPT、LLM 下游任务的实战教程，覆盖 NER、LoRA、DPO 等，适合系统学习 NLP 建模流程。