# 低リソース微調整

『コーラン』のアラビア語朗読に対して微調整されたWhisper Smallモデルで、『コーラン』の朗読内容を正確に識別して文字起こしすることができます。

Qwen3-8Bをベースにロールプレイシナリオ向けに微調整したモデルで、日本語のロールプレイ対話生成に適しています。

台湾スタイルの繁体字中国語を英語に翻訳するための微調整モデル

RigoChat-7b-v2はQwen-2.5を基にしたスペイン語最適化モデルで、DPO微調整により性能が向上し、スペイン語クエリへの正確な応答に特化しています。

Helsinki-NLP/opus-mt-en-arを微調整した英語-アラビア語翻訳モデルで、特にエジプト方言に最適化されています

Llama 3.2アーキテクチャに基づいて継続的に事前学習されたベンガル語大規模言語モデルで、大量のベンガル語データセットで微調整され、ベンガル語のテキスト生成と理解能力が向上しています。

Llama-3 8Bをテルグ語の合成データで微調整し、テルグ語の自然言語処理タスクに使用できます。

MiniCPMは面壁智能と清華大学自然言語処理研究所が共同で開発したエッジサイド大規模言語モデルシリーズで、コアモデルにはわずか12億の非単語埋め込みパラメータしか含まれておらず、複数の評価でより大規模なオープンソースモデルを上回っています。

LoftQ（LoRA微調整感知量子化）モデルで、量子化されたバックボーンネットワークとLoRAアダプターを提供し、LoRA微調整用に設計され、大規模言語モデルの量子化過程における微調整性能と効率を向上させます。

MERAK-7B-V2はMeta Llama-2-7B-Chat-HFを微調整したインドネシア語大規模言語モデルで、インドネシア語と英語をサポートしています。

LMFlowフレームワークに基づいて訓練された報酬モデルで、HH - RLHFデータセット（有用な部分のみ）を対象とし、open_llama_3bをベースモデルとして訓練され、良好な汎化能力を持っています。

BART-largeをベースに微調整されたChatGPTプロンプト生成モデルで、キャラクターの説明に基づいて対応するChatGPTキャラクター設定を生成するために使用されます。

SEW-tinyはASAPP Researchによって開発された圧縮高効率型音声事前学習モデルで、16kHzサンプリングの音声オーディオを基に事前学習され、様々な下流音声タスクに適用可能です。

SEW（圧縮高効率版Wav2vec）は、ASAPP Researchによって開発された音声認識の事前学習モデルで、性能と効率の面でwav2vec 2.0より優れています。

cc_news_es_titlesデータセットを基に微調整された、スペイン語テキスト処理タスク用のエンコーダー - デコーダーモデル

MobileBERTの軽量アーキテクチャに基づいて微調整された質問応答モデルで、SQuAD v2データセットに特化して最適化されており、回答可能な問題と回答不可能な問題を処理できます。

XLM - RoBERTa - baseモデルをamazon_reviews_multiデータセットで微調整した多言語テキスト分類モデル

Librispeechの960時間の音声データで微調整されたHubert超大型音声認識モデルで、LibriSpeechテストセットでのWERはわずか1.8です。

bert-base-uncasedをベースに微調整されたDistilBERTモデルで、主にテキスト分類タスクに使用されます。

SEW-D-tinyはASAPP Researchによって開発された高効率音声認識事前学習モデルで、性能と効率のバランスに重点を置いています。

distilgpt2を未知のデータセットで微調整した軽量級テキスト生成モデル

LibriSpeechデータセットで微調整されたwav2vec2-large-lv60音声認識モデル、英語音声からテキストへの変換タスクをサポート

MobileBERTに基づく軽量質問応答モデルで、SQuAD v1.1データセットで微調整され、英語の質問応答タスクに適しています。

facebook/wav2vec2-large-lv60をベースに、TIMITデータセットで微調整した音声認識モデルで、5%のデータを使って教師付き学習を行っています。

BERTまたはRoBERTaアーキテクチャに基づいて微調整されたテキスト要約モデルで、CNN/DailyMailデータセットで訓練されています。

このモデルはbert-base-chineseを未知のデータセットで微調整したバージョンで、主に中国語テキスト処理タスクに使用されます。