# 微調整最適化

Zk1-QA-VN-test2は、ZycckZ/Zk1-QA-VN-testをベースに微調整されたベトナム語質問応答モデルで、質問応答タスクで優れた性能を発揮します。

nvidia/mit-b3をベースに微調整した画像セグメンテーションモデルで、NICOPOI-9/morphpad_coord_hgo_512_4classデータセットでトレーニングされ、高精度な画像セグメンテーションタスクに優れています。

SegFormerアーキテクチャに基づく軽量画像セグメンテーションモデル。NICOPOI-9/morphpad_coord_hgo_512_4classデータセットで微調整され、高精度セマンティックセグメンテーションタスク専用です。

facebook/mask2former-swin-base-IN21k-ade-semanticモデルをDnq2025/Mask2former_Pretrainデータセットで微調整した画像セグメンテーションモデル

SegFormerアーキテクチャに基づく軽量画像セグメンテーションモデルで、特定データセットで微調整されており、高精度なピクセルレベルの分類タスクに優れています

LlaMaestraは、英語とイタリア語の間のテキスト翻訳に特化した、微調整された小型のLlamaモデルです。

distilhubertを微調整したオーディオ分類モデルで、評価データセットで100%の精度を達成

whisper-large-v3-turboを基に中国語音声認識向けに微調整したモデルで、複数の中国語音声認識ベンチマークテストで性能が大幅に向上

T5-smallを微調整したハウサ語から中国語への翻訳モデルで、評価セットで30.0183のBLEUスコアを達成しました。

transformersライブラリに基づき、common_voice_11_0データセットでopenai/whisper-large-v3-turboを微調整したバージョンで、アラビア語音声認識に特化して最適化されています。

PaliGemma 3B 896解像度の重みを微調整したUI要素検出モデルで、物体検出タスクに特化

これはDistilBERT-base-uncasedを微調整したテキスト分類モデルで、食品関連テキストと非食品テキストを区別するために使用されます。

wav2vec2-base-finetunedを基にさらに微調整した音声処理モデルで、評価セットで98.82%の精度を達成

wav2vec2-base-finetunedモデルを微調整した音声処理モデルで、評価セットで98.82%の精度を達成

Deepseek-coder-1.3Bをベースに微調整されたオープンソースの生成型テキストモデルで、Kotlinコード生成タスクに特化しています。

TinyLlama-1.1Bを微調整した作文評価モデル

Phi-3-mini-4k-instructの4ビット量子化バージョンで、bitsandbytesツールを使用して量子化され、微調整用に設計されています。

NVIDIAのSegFormer-B0アーキテクチャをベースに、落書き分割データセットで微調整された画像分割モデルで、画像中の落書き領域を正確に識別・分割できます。

T5-smallを微調整したNL2SQLモデルで、自然言語をSQLクエリに変換します

Common Voice 16.0データセットで微調整されたOpenAI Whisper Large V3モデルに基づく音声認識モデル

distilwhisper-large-v2を微調整した中国語音声認識モデルで、whisper-large-v2の5.8倍の速度で、パラメータが51%削減されています

OpenAI Whisper-smallを微調整したトルコ語音声認識モデル、単語誤り率26.34%

このモデルは微調整技術により、大規模言語モデルから『ハリー・ポッター』シリーズの知識を選択的に忘却する能力を実現しつつ、他の性能を維持しています。

microsoft/git-baseを微調整した画像からテキストへの変換モデル

Helsinki-NLPのopus-mt-ko-enモデルを基に微調整した韓英翻訳モデル

diffusersフレームワークで微調整されたアニメスタイルのテキスト動画変換モデルで、英語入力に対応し、出力解像度は448x384ピクセルです。

microsoft/wavlm-largeを微調整した音声処理モデルで、評価セットで80%の精度と79.57%のF1スコアを達成

Helsinki-NLP/opus-mt-roa-enを微調整したルーマニア語から英語への翻訳モデルで、トレーニングデータ量は200万レコードです。

microsoft/swin-tiny-patch4-window7-224を基に微調整した視覚モデルで、評価データセットで100%の精度を達成

Swin Transformerアーキテクチャに基づく微調整モデル、AI生成コンテンツ検出タスク用

facebook/detr-resnet-50をベースにcppe-5データセットで微調整した物体検出モデル

VideoMAEベースモデルを未知のデータセットで微調整した動画理解モデルで、評価セットで86.41%の精度を達成

このモデルはSwin Transformerアーキテクチャに基づき、CIFAR-100データセットで微調整された画像分類モデルで、精度は92.01%を達成しています。

openai/whisper-smallをCommon Voice 11.0ドイツ語データセットで微調整した音声認識モデルで、ドイツ語音声をテキストに変換し、大文字小文字と句読点を予測します。

microsoft/resnet-50を微調整した画像分類モデルで、未知のデータセットで中程度の精度を示す

DistilBERTベースの質問応答モデルで、SQuADデータセットで微調整され、抽出型質問応答タスクに使用されます。

このモデルはfacebook/wav2vec2-baseをCommon Voice 3.0英語データセットで微調整した音声認識モデルで、テストセットで0.247の単語誤り率を達成しました。

microsoft/deberta-baseをadversarial_qaデータセットで微調整した質問応答モデル

DistilBERTベースモデルを微調整したバージョンで、テキスト分類タスクに適しています。

このモデルはConvNeXt-Tinyアーキテクチャをベースにbeansデータセットで微調整された画像分類モデルで、精度は96.09%を達成しています。