本文档记录 microsoft_llmlingua-2-bert-base-multilingual-cased-meetingbank 在昇腾 NPU（Ascend910）环境的快速部署与验证结果。
命名实体识别（NER）模型，基于 HuggingFace transformers 框架，支持从文本中识别特定类型的实体（如疾病、药物、基因等）。
相关获取地址：
参考文档：
| 组件 | 版本 |
|---|---|
torch | 2.5.1 |
torch_npu | 2.5.1 |
transformers | >=4.48.0 |
CANN | 8.5.RC1 |
PyTorch + transformerspip install transformers torchimport torch
from transformers import AutoTokenizer, BertForTokenClassification
device = torch.device("npu:0" if torch.npu.is_available() else "cpu")
model_name = "microsoft_llmlingua-2-bert-base-multilingual-cased-meetingbank"
tokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True)
model = BertForTokenClassification.from_pretrained(model_name, trust_remote_code=True)
model = model.to(device).eval()
texts = ["The patient was diagnosed with diabetes."]
inputs = tokenizer(texts, return_tensors="pt", padding=True, truncation=True, max_length=128)
inputs = {k: v.to(device) for k, v in inputs.items()}
with torch.no_grad():
outputs = model(**inputs)
print(f"输出 logits 形状: {outputs.logits.shape}")python3 inference.py验证结果：
npu:0NPU 与 CPU 输出对比，验证数值一致性（logits 相对误差 < 1%）。
| 指标 | 数值 |
|---|---|
| Top-1 一致性 | 60/60 |
| Max Logit Diff Ratio | 0.152% |
| Avg KL Divergence | 0.000000 |
| 结论 | PASS |
精度要求：Top-1 一致率 100%，logits 相对误差 < 1%。
测试条件：FP32 / batch=8 / max_length=128 / warmup=5 / timed=50 runs，Ascend910 单卡。
| 指标 | 数值 |
|---|---|
| 平均推理时间 | 7.03 ms |
| 测试次数 | 50 |
trust_remote_code 相关警告，不影响推理结果FP16 混合精度推理以提升性能