# 低計算コスト

Qwen/Qwen2.5-1.5B-Instructモデルをベースに微調整され、TinyV報酬システムを使用しており、効率的な強化学習（RL）の事後訓練において、より正確な報酬信号を提供し、RLの効率と最終的なモデル性能を大幅に向上させます。

LSNetは人間の視覚システムの動的異尺度能力にヒントを得た軽量視覚モデルファミリーで、様々な視覚タスクにおいて性能と効率のバランスを実現しています。

RF-DETR Large は DETR アーキテクチャに基づく物体検出モデルで、画像内の物体を効率的に検出するために設計されています。

階層的蒸留（SwD）は、生成過程で空間解像度を段階的に増やすことで拡散モデル（DMs）を高速化する全く新しいフレームワークです。

SwarmFormerは、階層的注意メカニズムと動的クラスタリング技術により長いシーケンス処理能力を最適化した効率的なシーケンスモデリングアーキテクチャです。

YOLOv8/YOLO11アーキテクチャに基づく高速人種分類モデルで、FairFaceデータセットで訓練され、顔の人種分類タスクに使用されます。

BERT-LoRAをベースにしたファインチューニングモデルで、フィッシング、マルウェア、改ざん脅威などの悪意のあるURLを効率的に検出します。

OpenSearchの学習型スパース検索モデルv2ミニ版、ドキュメントをスパースベクトルにエンコードし、検索関連性と効率を最適化

ChatTruth-7BはQwen-VLアーキテクチャを最適化した多言語視覚-言語モデルで、高解像度画像処理能力を強化し、還元モジュールを導入して計算コストを削減

CEDはViT-Transformerベースの簡易オーディオタグ付けモデルで、Audiosetで最先端の性能を実現しています。

MobileViTv2はMobileViTの第2世代バージョンで、分離可能な自己注意メカニズムにより改良され、画像分類タスクに適しています。

LeViT-128は視覚Transformerアーキテクチャに基づく画像分類モデルで、畳み込みネットワークの利点を組み合わせて効率的な推論を実現します。

LeViT-192は、畳み込みニューラルネットワークとTransformerアーキテクチャを組み合わせた視覚モデルで、画像分類タスクに特化しています。

IndicBART-XLSumは、多言語独立スクリプトIndicBARTに基づくシーケンス・ツー・シーケンス事前学習モデルで、インド言語に特化しています。

AraELECTRAはELECTRAアーキテクチャに基づくアラビア語事前学習言語モデルで、識別的な事前学習方法により効率的な言語理解を実現します。

ファンネルTransformerとELECTRA目標を採用した効率的なアラビア語モデルで、計算コストが低く高性能

ELECTRAは識別型事前学習による自己教師あり言語表現学習手法で、低計算コストで効率的な訓練を実現します。

LJ SpeechデータセットでトレーニングされたHiFi-GANボコーダーモデル、高品質な音声合成用

GoogleのFNetアーキテクチャに基づき、SST-2感情分析データセットでファインチューニングされたテキスト分類モデル