ChineseErrorCorrector3-4B

一个面向中文文本纠错任务的综合平台，集学术研究、模型训练、模型评测和推理部署于一体，覆盖拼写纠错与语法纠错两个核心方向。

🔥项目地址：https://github.com/TW-NLP/ChineseErrorCorrector

模型列表

模型名称 纠错类型 描述

:-------------------------------------------------------------------------------------------- :------ :-------------------------------------------

twnlp/ChineseErrorCorrector3-4B 语法+拼写 使用200万纠错数据进行全量训练，适用于语法纠错和拼写纠错，效果最好，推荐使用。

twnlp/ChineseErrorCorrector2-7B 语法+拼写 使用200万纠错数据进行多轮迭代训练，适用于语法纠错和拼写纠错，效果较好。

模型评测（NaCGEC Data）

Model Name Model Link Base Model Avg SIGHAN-2015 EC-LAW MCSC GPU QPS

:------------------ :------------------------------------------------------------------------------------------------------------------------ :------------------------------- :----------- :------------ :------- :------- :-------- :--------

Kenlm-CSC shibing624/chinese-kenlm-klm kenlm 0.3409 0.3147 0.3763 0.3317 CPU 9

Mengzi-T5-CSC shibing624/mengzi-t5-base-chinese-correction mengzi-t5-base 0.3984 0.7758 0.3156 0.1039 GPU 214

ERNIE-CSC PaddleNLP/ernie-csc PaddlePaddle/ernie-1.0-base-zh 0.4353 0.8383 0.3357 0.1318 GPU 114

MacBERT-CSC shibing624/macbert4csc-base-chinese hfl/chinese-macbert-base 0.3993 0.8314 0.1610 0.2055 GPU **224**

ChatGLM3-6B-CSC shibing624/chatglm3-6b-csc-chinese-lora THUDM/chatglm3-6b 0.4538 0.6572 0.4369 0.2672 GPU 3

Qwen2.5-1.5B-CTC shibing624/chinese-text-correction-1.5b Qwen/Qwen2.5-1.5B-Instruct 0.6802 0.3032 0.7846 0.9529 GPU 6

Qwen2.5-7B-CTC shibing624/chinese-text-correction-7b Qwen/Qwen2.5-7B-Instruct 0.8225 0.4917 0.9798 0.9959 GPU 3

• *Qwen3-4B-CTC(Our)** twnlp/ChineseErrorCorrector3-4B Qwen/Qwen3-4B **0.8521** 0.6340 0.9360 0.9864 GPU 5

Without ChineseErrorCorrector, you can use the model like this:

First, you pass your input through the transformer model, then you get the generated sentence.

Install package:

output:

Citation

If this work is helpful, please kindly cite as:

bibtex

@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},

}