为了加速构建与部局自然语言处理系统，脸书开源了PyText，这是构建于开源深度学习框架PyTorch之上的函数库，不只能模糊实验和大规模部局阶段，简化工作流程更快速进行实验，同时还能访问预先构建的模型基础架构，以及文本处理和词汇管理工具，帮助大规模部局。
脸书使用自然语言处理技术，向用户提供相关的语言辅助功能、标记违反政策贴文以及进行翻译。由于对话式人工智能技术发展快速，脸书以PyText来快速推进这些应用提高服务品质，PyText现在还被用于脸书新的图片通话设备Portal和Messenger中的M建议功能。
通过使用PyText，Portal中支持Hey Portal的组合与嵌套调用查找的语音命令，该功能允许用户以语音命令，进行诸如打电话等动作，脸书举例，用户可以使用“打电话给我爸爸”这样的语句，而这需要系统了解调用者与被调用者的关系，PyText的工作之一便是能进行语义分析，并快速的将该技术应用到产品。
脸书利用PyText快速迭代的方式，渐进改进Portal的自然语言处理模型，包括加入组合算法、条件随机域以及整合模型等技术。这样的方法让其核心领域的模型精确度提高5％到10％，并且也因为PyText支持分布式训练，让Portal模型的训练时间缩短了3到5倍。
PyText快速迭代不只能以渐进的方式改进模型，还可以提高自然语言处理模型的效率和可扩展性，无论是在Portal或是Messenger等其他应用，脸书都需要能即时的执行模型并且做出回应，并且能够大规模高性能执行的自然语言处理系统，PyText现还为脸书数十亿人存在多语言的社交平台，提供高端即时的自然语言处理功能。
PyText能利用脸书的其他自然语言系统为基础，补充其功能上的不足，像是工程师可以使用fastText函数库训练单词嵌入，并在PyText中使用。另外，PyText改进了脸书现有文本理解引擎DeepText的缺点，并得利于GPU还有分散式训练技术，PyText加速了整体训练过程。由于模型中的条件执行和自定义数据结构，导致PyText无法与DeepText在部分语义解析和多任务学习模型等工作合作，脸书正计划让PyText作为主要的自然语言平台，以增加系统未来的发展性。
PyText构建于PyTorch之上，并且和ONNX与Caffe2互通，工程师可以将PyTorch模型转换成ONNX，并以Caffe2输出，作为大规模生产部局之用。 PyText提供灵活模块化的工作流程，模型组件具有可配置的系统层与可扩展的接口，可作为端到端平台，供开发人员开箱即用，创建完整自然语言处理工作管线。
其模块化的结构，允许工程师将各个组件集成到现有的系统中，每个组件的角色和与其他模块的交互作用，皆取决于特定的任务。这种模块化的设计方法增强了PyText的多功能性，几乎可以在研究到生产的过程任一阶段使用，无论是要从头构建整个自然语言处理系统，抑或是对现有系统进行修改都可以。
PyText框架支持分布式训练，以及可以同时训练多个模型的多任务学习功能。由于PyText模型构建在PyTorch之上，具高可移植性，可以在不同平台间转换，而且通过预构建的模型，例如文本分类，单词标记、语义分析和语言建模，PyText可以简单地在新的数据上使用预建模型。
为了优化产品阶段的推理，PyText使用PyTorch 1.0的功能，输出经过优化的Caffe2模型。原生PyTorch模型需要Python Runtime，但由于Python全局解释器锁（Global Interpreter Lock，GIL）多线程的限制，导致模型无法有效的扩展，但PyText用户可以选择输出为Caffe2模型，就能利用高性能多线程C++后端，处理高吞吐流量。
经过内部部局后，脸书提到，PyText确实能够快速迭代工程师的对自然语言建模想法，并将其框展至生产其中，PyText现为脸书提供每日超过10亿次的推理。未来还会提供多语言建模和其他建模工具，让模型更容易调试，并为分布式训练进行优化，脸书也提到，目前要在移动设备上部局复杂的自然语言处理模型仍然很具挑战性，但他们仍朝向在设备上构建端到端工作流程的方向努力。