# 英語NLP

これはchandar - lab/NeoBERTモデルの静的量子化バージョンで、モデルの保存スペースと計算リソースの要件を削減することを目的としています。

このモデルは独自の量子化処理を施しており、出力と埋め込みテンソルはf16形式で量子化され、その他のテンソルはq5_kまたはq6_k形式で量子化されています。これにより、体積が小さくなりながらも、純粋なf16と同等の性能を維持しています。

Falcon-H1はTIIによって開発されたハイブリッドTransformers + Mambaアーキテクチャのデコーダ専用因果モデルで、英語NLPタスクに焦点を当て、優れた性能を発揮します。

T0++はT5アーキテクチャに基づく自然言語処理モデルで、マルチタスクプロンプトトレーニングによりゼロショットタスク汎化能力を実現し、多くのNLPタスクでGPT-3を上回りながらよりコンパクトです。

OLMo 2 1B SFTはOLMo-2-0425-1Bモデルの教師ありファインチューニング版で、Tulu 3データセットで訓練され、様々なタスクで最先端の性能を実現することを目的としています。

Falcon-E-1B-Base はTIIによって開発された効率的な1.58ビット言語モデルで、純粋なTransformerアーキテクチャを採用し、エッジデバイス向けに最適化されています。

bert-base-uncasedをファインチューニングしたモデルで、テキスト含意認識タスクに使用され、精度は66.43%

盆栽は5億パラメータの小型三値重み付け言語モデルで、LlamaアーキテクチャとMistralトークナイザーを使用し、トレーニングに使用されたトークン数は50億未満です。

distilbert-base-uncasedをファインチューニングしたテキスト分類モデル、F1スコアは0.6147

Tülu 3は最先端の指示追従モデルファミリーで、完全オープンソースのデータ、コード、トレーニング手法を提供し、現代技術の包括的なガイドとして機能します。バージョン3.1では強化学習フェーズが改善され、性能が全体的に向上しました。

Stella 400M v5は英語テキスト埋め込みモデルで、複数のテキスト分類および検索タスクで優れた性能を発揮します。

distilbert-base-uncasedをファインチューニングした感情分析モデルで、評価データセットで94%の精度を達成

DistilBERTベースの感情分析モデル、未知のデータセットでファインチューニングされ、精度は56.16%

ModernBERT-largeをファインチューニングした自然言語推論モデルで、ゼロショット分類タスク専用

DistilBERTアーキテクチャに基づく軽量テキスト分類モデルで、英語ニュースを国際、スポーツ、ビジネス、テクノロジーの4大カテゴリに分類

Stella 400Mは中規模の英語テキスト処理モデルで、分類と情報検索タスクに特化しています。

混合量子化技術を採用したテキスト生成モデルで、出力と埋め込みテンソルはf16形式を使用し、残りのテンソルはq5_kまたはq6_k量子化を採用しています。標準のq8_0量子化形式よりも体積が小さく、純粋なf16バージョンと同等の性能を維持しています。

これはT5-smallモデルをファインチューニングした臨床ノート要約モデルで、主に臨床ノートの要約生成に使用されます。

このモデルはRoBERTaアーキテクチャに基づく自然言語推論モデルで、うつ病検出タスクに特化して微調整されています。

distilbert-base-uncasedをファインチューニングしたテキスト分類モデルで、主題要約分類タスクに使用

これはオンラインテキストデータを使用してメンタルヘルスを予測するためのファインチューニングされた大規模言語モデルです。

GPT-2アーキテクチャに基づく英語感情テキスト生成モデルで、6つの基本感情カテゴリを生成条件としてサポートします。

INSTRUCTOR はT5アーキテクチャに基づくテキスト埋め込みモデルで、文の類似度計算とテキスト分類タスクに特化しており、英語の自然言語処理をサポートしています。

このモデルは、DistilBERTをSQuAD質問応答データセットでファインチューニングしたバージョンで、質問応答タスクに使用されます。

このモデルは、SQuAD v2データセットでファインチューニングされたDistilBERTベースの質問応答モデルで、読解タスクに適しています。

DistilBERTベースの軽量質問応答モデル、SQuADデータセットでファインチューニング済み

これはBERTアーキテクチャに基づく生物医学分野の事前学習言語モデルで、生物医学テキストデータの処理に適しています。

DeBERTa-v3-xsmallアーキテクチャに基づく質問応答システムモデルで、SQuAD2.0データセットに特化してファインチューニングされています

このモデルは、SQuAD v2データセットでファインチューニングされたDistilBERTベースの質問応答モデルで、読解タスクに適しています。

DistilBERTベースの質問応答モデル、SQuAD v2データセットでファインチューニング済み、質問応答タスクに適しています

このモデルはdistilbert-base-uncasedをbecasv2データセットでファインチューニングしたバージョンで、主にテキスト分類タスクに使用されます。

distilbert-base-uncasedモデルをbecasv2データセットでファインチューニングしたバージョンで、主にテキスト関連タスクに使用されます。

distilbert-base-uncasedモデルをsquad_v2データセットでファインチューニングした質問応答モデル

このモデルはdistilbert-base-uncasedをbecasv2データセットでファインチューニングしたバージョンで、主にテキスト生成タスクに使用されます。

distilbert-base-uncasedをbecasv2データセットでファインチューニングしたテキスト分類モデル

このモデルはDistilBERTベースモデルをSQuAD質問応答データセットでファインチューニングしたバージョンで、質問応答タスク専用です。

SQuAD 2.0データセットでファインチューニングされたRoBERTa-baseモデルに基づく質問応答モデルで、与えられたテキストに基づいて質問に答えるために使用されます

このモデルはDistilBERTをSQuAD質問応答データセットでファインチューニングしたバージョンで、質問応答タスクに適しています。

このモデルはbert-base-uncasedをsquad_v2データセットでファインチューニングしたバージョンで、質問応答タスクに適しています。

DistilBERTベースの質問応答モデル、SQuADデータセットでファインチューニングされ、読解タスク用