| name | perplexity_filter |
| description | 困惑度过滤器。过滤以保留困惑度分数小于特定最大值的样本。
本SKILL使用依赖data_juicer，请在调用前安装好python环境并安装data_juicer，你可用以下指令进行安装：
pip install py-data-juicer
当用户提到困惑度过滤、文本困惑度检测、语言模型分数过滤、文本质量过滤等需求时使用此skill。
|
| name_zh | 困惑度过滤器算子 |
| input_params | [{"name":"input_path","type":"string","required":true,"description":"输入数据文件路径（JSON/JSONL格式）"},{"name":"output_path","type":"string","required":true,"description":"输出数据文件路径（JSONL格式）"},{"name":"lang","type":"string","required":false,"default":"en","description":"语言代码（影响分词和语言模型）"},{"name":"max_ppl","type":"float","required":false,"default":1500,"description":"最大困惑度阈值（低于此值保留）"},{"name":"batch_size","type":"int","required":false,"default":1,"description":"批处理大小"},{"name":"num_proc","type":"int","required":false,"default":1,"description":"并行处理的进程数"},{"name":"text_key","type":"string","required":false,"default":"text","description":"要操作的文本字段名"}] |
| output_params | [{"name":"output_path","type":"jsonl_file","description":"过滤后的JSONL文件，包含困惑度低于阈值的样本"}] |
| tag | 数据筛选 |
| publisher | COMMUNITY |
功能概述
该算子使用语言模型（KenLM）计算文本的困惑度分数，过滤保留困惑度在指定范围内的样本。低困惑度表示文本流畅自然。
核心参数
| 参数 | 类型 | 必填 | 默认值 | 说明 |
|---|
| input_path | string | 是 | - | 输入数据文件路径 (JSON/JSONL格式) |
| output_path | string | 是 | - | 输出数据文件路径 (JSONL格式) |
| lang | string | 否 | 'en' | 语言代码（影响分词和语言模型） |
| max_ppl | float | 否 | 1500 | 最大困惑度阈值（低于此值保留） |
| batch_size | int | 否 | 1 | 批处理大小 |
| num_proc | int | 否 | 1 | 并行处理的进程数 |
| text_key | string | 否 | text | 要操作的文本字段名 |
输入数据格式
输入文件应为 JSON 或 JSONL 格式，每行包含一个样本，样本需包含 text_key 指定的字段（默认 text）：
{"<text_key>": "这是一段需要检测困惑度的文本内容"}
输出数据格式
输出为 JSONL 格式，每行一个符合条件的样本，仅包含 text 字段。
使用示例
命令行调用
python scripts/run_perplexity_filter.py \
--input_path /path/to/input.jsonl \
--output_path /path/to/output.jsonl \
--lang en \
--max_ppl 900
python scripts/run_perplexity_filter.py \
--input_path /path/to/input.jsonl \
--output_path /path/to/output.jsonl \
--lang zh \
--max_ppl 1500
参数说明
--input_path: 输入文件路径--output_path: 输出文件路径--lang: 语言代码（默认 en，支持 en, zh 等）--max_ppl: 最大困惑度阈值（默认1500）--batch_size: 批处理大小（默认1）--num_proc: 并行进程数，默认1--text_key: 要操作的文本字段名（默认text）
注意事项
- 该算子使用 sentencepiece 进行分词，kenlm 计算困惑度
