SGNLP

SGNLP 包含一系列模型和工具：

• 新加坡英语理解：Singlish 文本规范化、情感分析
• 多语言代码切换：识别一段文本中混用了哪些语言（英文 / 中文 / 马来语 / 泰米尔语 mix）
• 本地命名实体：识别新加坡地名、人名、机构名
• 复述与摘要：针对新加坡本地新闻/政府文本

随着 SEA-LION 出现，SGNLP 的角色逐渐从"主力产品"变成"专项工具"——通用 NLP 能力让位给 LLM，但 Singlish 等专项场景仍然有独立价值。

SGNLP 解决的核心问题：通用 NLP 工具在新加坡英语上效果差。

新加坡英语（Singlish）混用英语、马来语、华语、泰米尔语，加上独特语法（lah、leh、lor 这种语气词），让 spaCy / NLTK / HuggingFace 的开箱模型在 Singlish 文本上表现糟糕。SGNLP 的预训练模型在 Singlish 数据上专门微调过，准确率显著高于通用模型。

与 SEA-LION 的关系：SEA-LION 作为 LLM 部分覆盖了 SGNLP 的能力，但 SGNLP 的轻量化模型（部分 < 100MB）在边缘部署、实时处理场景仍有优势。

SGNLP 是新加坡"语言主权"叙事的早期实践——在 LLM 时代之前，AISG 已经在做"为新加坡量身定制的语言 AI"。

在「七条传导杠杆」里：

• 杠杆 3（产业应用）：本地客服、社交媒体分析、政府文本处理
• 杠杆 1（基础研究）：Singlish 是少数有学术研究价值的"克里奥尔英语"

观点：SGNLP 的存在让 SEA-LION 有了"思想先驱"——同样的"为本地语言做专项 AI"哲学，从 NLP 工具升级到 LLM。