# 英語テキスト処理

EntityBERTは、英語テキストの命名エンティティ認識（NER）タスク用に設計された、軽量級で微調整されたTransformerモデルです。

LiberalMind_v1.5の量子化バージョンで、さまざまな量子化タイプとサイズのファイルを提供し、異なるリソース条件下での効率的な使用に適しています。

T5アーキテクチャに基づく静的量子化モデル、学術論文の要約生成タスクに特化

google/flan-t5-baseモデルを基に、対話要約タスク向けにPEFT手法でパラメータ効率的にファインチューニングしたバージョン

Gemma 3 27B Instruct は Google が開発した大規模言語モデルで、neo4j/text2cypher-2025v1 データセットでファインチューニングされており、自然言語を Cypher クエリ言語に変換することに特化しています。

これはT5アーキテクチャに基づくニュース要約生成モデルの静的量子化バージョンで、英語テキスト要約タスクをサポートします。

BART Large CNNはBARTアーキテクチャに基づく事前学習モデルで、テキスト要約生成タスクに特化しています。

ModernBERT-baseをファインチューニングした多クラス感情分類モデルで、7種類の感情ラベルを識別可能

ModernBERT-baseをファインチューニングしたマルチラベル感情分類モデルで、28種類の感情ラベルを識別可能

DeBERTa-v3-baseをファインチューニングしたゼロショットテキスト分類モデルで、アノテーションデータが不足しているシナリオや迅速なプロトタイピングに適しています。

これはAutoTrainを使用してSST-2英語データセットでファインチューニングされたDistilBERTモデルで、テキスト分類タスクに使用されます。

stella_en_400M_v5_cpuは、複数の自然言語処理タスクで優れた性能を発揮するモデルで、特に分類、検索、クラスタリング、意味テキスト類似度などのタスクに長けています。

このモデルはPegasusアーキテクチャに基づき、SAMSUMデータセットでファインチューニングされた英語対話要約モデルです。

BART-large-cnnをファインチューニングした英語対話要約モデルで、Samsung/samsumデータセットに最適化されています

Phi-3-mini-4k-instruct はマイクロソフトがリリースした小型の命令ファインチューニング言語モデルで、Phi-3 アーキテクチャに基づいており、様々な自然言語処理タスクに適しています。

Fast Emotion-Xは、MicrosoftのDeBERTa V3 Smallモデルをファインチューニングした感情検出モデルで、テキストを6つの感情カテゴリーに正確に分類できます。

T5アーキテクチャに基づくモデルで、要約テキストから原子声明を抽出するために特別に設計されており、要約の事実性評価プロセスの重要なコンポーネントです。

DistilBERTベースのSMSスパム分類モデル。sms_spamデータセットでファインチューニングされ、スパムSMSを識別するために使用されます。

bert-base-uncasedをベースに微調整された多ラベル感情分類モデルで、英語テキストを43種類の感情カテゴリに分類できます。

FewNERD-fine-supervisedでファインチューニングされたnumind/NuNER-v1.0モデルで、テキスト中の組織エンティティ(ORG)を識別するために使用されます

効率的なゼロショット分類のために設計されたRoBERTa-largeモデルで、ビジネスフレンドリーデータで訓練されており、訓練データなしでテキスト分類タスクを実行可能です。

BARTアーキテクチャを基に微調整されたテキスト要約モデルで、簡潔で正確な要約を生成するために設計されています

electra-smallをファインチューニングした命名エンティティ認識モデルで、場所、人名、組織の3種類のエンティティを認識できます。

T5アーキテクチャに基づくセンテンス埋め込みモデルで、英語テキストのセマンティック類似性と情報検索タスクに特化しています。

このモデルはsamsumデータセットでgoogle/pegasus-cnn_dailymailをファインチューニングしたバージョンで、主にテキスト要約タスクに使用されます。

これは fmops/distilbert-prompt-injection モデルの ONNX フォーマット変換バージョンで、プロンプトインジェクション攻撃を検出するために使用されます。

これはAutoTrainプラットフォームでトレーニングされた要約生成モデルで、入力テキストから自動的に要約を生成できます。

これはsentence-transformersに基づく文の埋め込みモデルで、テキストを1536次元のベクトル空間にマッピングでき、意味検索やクラスタリングタスクに適しています。

TinyStoriesデータセットでトレーニングされた1500万パラメータのLlama 2アーキテクチャモデル

OPTはMeta AIが開発したオープンプリトレーニングTransformer言語モデルで、13億パラメータを含み、GPT-3シリーズモデルに対応

Google Researchによってリリースされた小型BERTモデルの1つで、英語専用、大文字小文字を区別せず、WordPieceマスキングでトレーニングされています。

GPT-2中型モデルをSST-2データセットでファインチューニングした感情分析モデルで、テキスト感情分類タスクに使用されます。

TLDRニュース記事向けにテキスト要約と見出し生成を行うファインチューニング済みT5モデル

BERT2BERTアーキテクチャに基づく要約生成モデルで、CNN/DailyMailデータセット用に微調整されており、高品質なニュース要約を生成できます。

Googleのflan-t5-baseモデルをsamsum対話要約データセットでファインチューニングしたテキスト生成モデル

このモデルは、facebook/bart-large-xsumをベースに、samsumデータセットで微調整されたテキスト要約生成モデルで、対話要約の生成に長けています。

E5-smallは小型のセンテンストランスフォーマーモデルで、文類似度とテキスト埋め込みタスクに特化しており、複数の分類・検索タスクで良好な性能を発揮します。

GPT-2をファインチューニングしたテキスト要約生成モデル

GPT-2をファインチューニングしたテキスト要約生成モデル

このモデルは、sshleifer/distilbart-cnn-12-6をBBCニュース要約データセットでファインチューニングしたテキスト要約モデルで、トリノ工科大学の深層自然言語処理コースの研究室で開発されました。