任務	說明	標籤數	原始模型
WS	中文斷詞	2 (B/I)	ckiplab/bert-base-chinese-ws
POS	詞性標注	60	ckiplab/bert-base-chinese-pos
NER	命名實體辨識	73 (BIOES)	ckiplab/bert-base-chinese-ner

所有模型支援動態序列長度 1–512。

可用版本

版本	單模型大小	精度 (vs fp32)	建議用途
fp32	388 MB	baseline (與 MLX fp32 100% 一致)	追求完全精度
fp16	194 MB	WS 100% / POS 99.97% / NER 99.99%	推薦預設 ⚡
q8	98 MB	WS 99.96% / POS 98.83% / NER 99.76%	低記憶體 iPhone

從零開始使用（完整步驟）

1. 環境準備

需要 macOS + Apple Silicon。CoreML Tools 目前需要 Python 3.13（不支援 3.14）。

bash

# 取得原始碼
git clone https://github.com/FakeRocket543/ckip-coreml.git
cd ckip-coreml

# 建立虛擬環境（需要 Python 3.13）
python3.13 -m venv .venv && source .venv/bin/activate

# 安裝依賴
pip install coremltools numpy huggingface_hub

2. 下載模型

bash

# 從 HuggingFace 下載全部 .mlpackage
huggingface-cli download FakeRockert543/ckip-coreml --local-dir .

下載後目錄結構：

ckip-coreml/
├── ckip_ws_fp16.mlpackage      # 斷詞 fp16（推薦）
├── ckip_ws_fp32.mlpackage
├── ckip_ws_q8.mlpackage
├── ckip_pos_fp16.mlpackage     # 詞性 fp16
├── ckip_pos_fp32.mlpackage
├── ckip_pos_q8.mlpackage
├── ckip_ner_fp16.mlpackage     # 實體 fp16
├── ckip_ner_fp32.mlpackage
├── ckip_ner_q8.mlpackage
├── ckip_ws.mlpackage           # 原始版本 (=fp32)
├── ckip_pos.mlpackage
└── ckip_ner.mlpackage

3. 準備詞表

CoreML 模型不包含詞表，需要從 MLX 版本取得，或自行下載 BERT 中文詞表：

bash

# 方法一：從 MLX repo 下載 vocab.txt
huggingface-cli download FakeRockert543/ckip-mlx models/vocab.txt --local-dir .
mv models/vocab.txt vocab.txt && rm -rf models

# 方法二：從原始 BERT 下載
# wget https://huggingface.co/bert-base-chinese/resolve/main/vocab.txt

4. 執行斷詞（Python）

python

import coremltools as ct
import numpy as np

# 載入詞表
vocab = {}
with open("vocab.txt") as f:
    for i, line in enumerate(f):
        vocab[line.strip()] = i

# 載入模型（推薦 fp16）
model = ct.models.MLModel("ckip_ws_fp16.mlpackage")

# Tokenize（BERT 單字切分）
text = "台積電今天股價上漲三十元"
ids = [101] + [vocab.get(ch, 100) for ch in text] + [102]  # 101=[CLS], 102=[SEP], 100=[UNK]
input_ids = np.array([ids], dtype=np.int32)
attention_mask = np.ones_like(input_ids, dtype=np.int32)

# 推論
out = model.predict({"input_ids": input_ids, "attention_mask": attention_mask})
preds = np.argmax(out["logits"], axis=-1)[0]

# 解碼斷詞結果（B=0: 詞首, I=1: 詞中）
words, cur = [], ""
for i, ch in enumerate(text):
    p = preds[i + 1]  # +1 跳過 [CLS]
    if p == 0 and cur:
        words.append(cur)
        cur = ch
    else:
        cur += ch
if cur:
    words.append(cur)

print(words)
# ['台積電', '今天', '股價', '上漲', '三十', '元']

5. 執行詞性標注（Python）

python

import json

pos_model = ct.models.MLModel("ckip_pos_fp16.mlpackage")
out = pos_model.predict({"input_ids": input_ids, "attention_mask": attention_mask})
preds = np.argmax(out["logits"], axis=-1)[0]

# POS id2label 對照表（從 MLX config.json 取得，或用以下常見標籤）
# 完整對照表見 GitHub repo 的 models/pos/config.json
for i, ch in enumerate(text):
    print(f"{ch} → label_id={preds[i + 1]}")

6. 在 Swift / iOS 中使用

swift

import CoreML

// 載入模型
let config = MLModelConfiguration()
config.computeUnits = .all  // 使用 ANE + GPU + CPU
let model = try MLModel(contentsOf: modelURL, configuration: config)

// 準備輸入
let inputIds = try MLMultiArray(shape: [1, seqLen as NSNumber], dataType: .int32)
let attentionMask = try MLMultiArray(shape: [1, seqLen as NSNumber], dataType: .int32)

// 填入 token IDs（[CLS] + 單字 IDs + [SEP]）
for (i, id) in tokenIds.enumerated() {
    inputIds[i] = NSNumber(value: id)
    attentionMask[i] = 1
}

// 推論
let input = try MLDictionaryFeatureProvider(dictionary: [
    "input_ids": inputIds,
    "attention_mask": attentionMask
])
let output = try model.prediction(from: input)
let logits = output.featureValue(for: "logits")!.multiArrayValue!

// 取 argmax 得到預測標籤

速度

測試環境：Apple M4 Max / 128GB / macOS 26.3.1 測試資料：維基百科「臺灣」條目，36,245 字，10 runs median

Framework	fp32	fp16
CoreML	2,879 ms	2,352 ms ⚡
MLX	2,869 ms	3,092 ms
HF Transformers (MPS)	3,532 ms	3,096 ms
CKIP 官方 (MPS)	14,926 ms	11,850 ms

跨框架驗證

CoreML fp32 與 MLX fp32、HF Transformers fp32 的 WS/POS/NER 輸出完全一致，確認轉換正確。

授權

GPL-3.0，依循原始 ckiplab/ckip-transformers 授權。

致謝

CKIP Lab, 中央研究院資訊科學研究所 — 原始模型
Apple CoreML — 推論框架