2025年最高の 1255 個のテキスト分類ツール

DistilBERT - base - uncasedをベースに、SST - 2感情分析データセットで微調整されたテキスト分類モデル。正解率91.3%

XLM-RoBERTaベースの多言語検出モデル、20言語のテキスト分類をサポート

このモデルは動的データセット生成を通じてオンライン憎悪検出を改善し、検出効果を高めるために最悪ケースから学習することに焦点を当てています。

bert-base-multilingual-uncasedを微調整した多言語感情分析モデルで、6言語の商品レビューの感情分析に対応しています。

DistilRoBERTa-baseをファインチューニングした英語テキストの感情分類モデルで、エクマンの6基本感情と中立カテゴリを予測可能。

RoBERTuitoベースのスペイン語ツイート感情分析モデル、POS(ポジティブ)/NEG(ネガティブ)/NEU(ニュートラル)の3分類に対応

FinBERTは金融通信テキストを元に事前学習されたBERTモデルで、金融自然言語処理分野に特化しています。finbert-toneはその微調整バージョンで、金融感情分析タスクに使用されます。

RoBERTa-baseに基づく多ラベル感情分類モデルで、go_emotionsデータセットで訓練され、28種類の感情ラベル識別をサポートします。

XLM-EMOはXLM-Tモデルをファインチューニングした多言語感情分析モデルで、19言語をサポートし、特にソーシャルメディアテキストの感情予測に特化しています。

MultiNLI、Fever-NLI、ANLIのデータセットを用いて訓練されたDeBERTa-v3モデルで、ゼロショット分類と自然言語推論タスクに優れています。

PyTorch LightningとHugging Face Transformersを基にした毒性コメント分類システム、様々な種類のネット有害コンテンツを検出可能

100言語をサポートする多言語自然言語推論モデルで、ゼロショット分類タスクに適しています。

ツイートデータで訓練された毒性言語検出モデルで、Roberta-largeアーキテクチャを採用し、テキスト内の有害なコンテンツを識別します。

fastTextはオープンソースで軽量なテキスト分類と単語表現学習ライブラリであり、このモデルは言語識別専用で、217言語の検出をサポートしています。

これはゼロショット蒸留技術で訓練された多言語感情分析モデルで、12言語の感情分類をサポートします。

DistilRoBERTa-baseを基にファインチューンした感情分析モデルで、特に映画やドラマの台詞テキスト向けに6つの基本感情と中立状態を分類

ドイツ語テキストの感情分類用に訓練されたBERTモデルで、ポジティブ/ネガティブ/ニュートラルの3分類をサポートします。

BETOスペイン語BERTモデルを基に訓練された感情分析モデルで、POS/NEG/NEUの3つの感情分類をサポート

VitaminCは対比証拠に基づく事実検証モデルで、わずかな違いのある証拠ペアを分析することで、事実検証のロバスト性を向上させます。

BERTweetに基づく英語のツイート感情分析モデルで、SemEval 2017コーパスを使用して訓練され、ポジティブ、ネガティブ、中立の3種類の感情分類をサポートします。

DeBERTa-v3-largeをファインチューニングしたNLIモデルで、複数のNLIデータセットで最先端の性能を達成

DistilRoBERTaを微調整した金融ニュース感情分析モデルで、正解率は98.23%に達します。

BLEURT-tiny-512はグーグル研究院が開発したテキスト品質評価モデルで、BERTアーキテクチャに基づくPyTorch実装版で、自然言語生成タスクの品質を評価するために使用されます。

このモデルはBERT - miniアーキテクチャに基づき、MNLIデータセットでM - FAC二阶最適化器を使用して微調整されたテキスト分類モデルです。

CryptoBERTは、暗号通貨関連のソーシャルメディア投稿の感情と言語を分析するために特別に設計された事前訓練済み自然言語処理モデルです。

DistilBERTをファインチューニングした有害コメント分類モデルで、オンラインコメントの有害コンテンツを識別

DeBERTa-v3-baseをファインチューニングしたプロンプトインジェクション検出モデルで、言語モデルを操作する可能性のある悪意のあるプロンプトを識別します

DistilBart - MNLIは、教師なし蒸留技術を用いてbart - large - mnliから蒸留された軽量化バージョンで、高い精度を維持しながらモデルサイズを小さくしています。

Deberta-v3アーキテクチャに基づく英語テキスト分類モデルで、攻撃的コンテンツを識別

英語テキストに基づく感情分類モデルで、20種類の異なる感情状態を識別できます。

DeBERTa-v3-largeアーキテクチャに基づく自然言語推論モデルで、SNLIとMultiNLIデータセットで訓練され、文ペア間の関係を判断するために使用されます。

BART-large-MNLIをファインチューニングしたゼロショット分類モデルで、ヤフー質問応答のトピック分類に最適化されています。

DeBERTa-v3-baseをベースに、600以上のタスクでマルチタスク学習を用いて微調整されたモデルで、ゼロショット分類と自然言語推論に優れています。

このモデルはibert-roberta-baseをファインチューニングしたバージョンで、誹謗中傷や脅迫的発言の検出に特化しています。

ゼロショット分類タスクに最適化されたDeBERTa-v3の大型モデルで、学習データを必要としないテキスト分類をサポートします。

DistilBERTベースの無意味テキスト検出モデルで、英語の無意味テキスト、スパム、支離滅裂な入力を97.36%の精度で識別します。

DistilBERTをファインチューニングした多言語感情分析モデルで、21言語をサポートし、ソーシャルメディアや顧客フィードバックなど多様なシナリオの分析に適しています。

FineWebデータセットでトレーニングされたウェブ教育価値評価分類器、高品質な教育コンテンツの選別に使用

DeepPavlov/rubert-base-casedをファインチューニングしたロシア語自然言語推論モデルで、2つのテキスト間の論理関係（含意/矛盾/中立）を予測可能

アノテーションなしのGoEmotionsデータセットからゼロショット分類プロセスを経て蒸留された感情分類モデル。計算効率の良い概念実証モデルとして開発

ToxicityModelはRoBERTaをファインチューニングしたモデルで、英語文の毒性レベルを評価します。

RoBERTa-largeをファインチューニングした英語テキストの二項感情分析モデルで、ポジティブまたはネガティブな感情を予測