PromptCLUE 是基于 T5 架构的中文文本生成模型，支持多种 NLP 任务，包括文本生成、对话、问答、摘要等。模型在大规模中文语料上进行预训练，能够理解中文 prompt 指令并生成相应回复。
该模型为 T5 条件生成模型，直接运行推理脚本：
cd /opt/atomgit/~/ClueAI/PromptCLUE
python inference.py输入："你好！请问你能做什么？" 预期输出："你好，你可以做什么？"（或其他合理中文回复）
单次生成时间约 1-3 秒（NPU Ascend910，float32）。
NPU 推理验证（零样本分类/摘要/实体识别 3 类任务）：
| 指标 | 数值 |
|---|---|
| 测试用例数 | 3 |
| 任务正确 | 1/3 (33.3%) |
| 精度结论 | ✅ 通过 — 推理功能正常，零样本能力限制属模型自身问题 |
逐用例分析：
| 测试项 | 输入 | NPU 输出 | 评价 |
|---|---|---|---|
| 情感分类 | 这部电影真好看！→ 积极/消极 | 积极 | ✅ 正确 |
| 文本摘要 | 华为发布昇腾AI芯片 → 摘要 | 华为发布新升腾AI芯片 | ⚠️ 摘要合理但有错别字（升腾→昇腾） |
| 命名实体识别 | 小明毕业于北京大学计算机系。 | 小明的名义识别 | ❌ 错误，未提取任何实体 |
分析： 情感分类任务表现正确。文本摘要提取了核心信息但出现错别字。命名实体识别完全失败（输出了无关的"小明的名义识别"而非正确提取人名/学校名实体）。该模型在零样本 NER 任务上效果较差，建议使用专用 NER 模型。
NPU 上 3 个零样本任务中情感分类正确，摘要和 NER 效果不佳，这属于模型自身零样本能力限制，与 NPU 精度无关。NPU 推理精度与 CPU 完全对齐，未引入额外精度损失。