# 高精度

このモデルはmicrosoft/deberta-v3-largeをboolqデータセットで微調整して得られたテキスト分類モデルで、ブール型質問に答えるために使用されます。

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、AG Newsデータセットで訓練され、精度は89.06%

Qwen2.5-Coder-7B-Instruct は Qwen2.5 アーキテクチャに基づく 7B パラメータ規模のコード生成モデルで、命令微調整に特化しており、コード生成やプログラミング支援タスクに適しています。

このモデルはRoBERTaアーキテクチャに基づく英語感情分析モデルで、テキストをポジティブ、ニュートラル、ネガティブの3クラスに分類できます。

これはBERTベースの多言語モデルをファインチューニングした韓国語感情分析モデルで、韓国語の顧客レビューの感情傾向を分析するために特別に設計されています。

MCG-NJU/videomae-baseをベースに微調整した動画分析モデルで、詐欺検出タスクにおいて70.37%の精度を達成

軽量RuBERT-tiny2をファインチューニングしたロシア語感情分類モデルで、5つの感情を識別可能

DeBERTa-v3-smallはマイクロソフトがリリースした軽量版DeBERTaモデルで、テキスト分類タスクに適しています。

DistilBERT-base-uncasedをファインチューニングした食品/非食品テキスト分類器で、評価データセットで100%の精度を達成

これは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93.2%の精度を達成しました。

vinai/phobert-base-v2をファインチューニングしたベトナム語テキスト分類モデルで、検証セットで89.62%の精度を達成

これはbert-base-uncasedモデルをファインチューニングして実現した英語のスパムSMS分類モデルで、スパムSMSと正常なSMSを正確に区別できます。

このモデルはMCG-NJU/videomae-base-finetuned-kineticsをベースにファインチューニングしたバージョンで、主に動画理解タスクに使用され、評価データセットで91.38%の精度を達成しました。

MCG-NJU/videomae-base-finetuned-kineticsをベースに微調整した動画理解モデルで、評価セットで91.23%の精度を達成

VideoMAEベースモデルをUCF101サブセットでファインチューニングしたビデオ分類モデル

MCG-NJU/videomae-base-finetuned-kineticsをベースに微調整した動画理解モデルで、評価セットで90.97%の精度を達成

XLM-RoBERTa-Largeをファインチューニングした財務文書分類モデルで、37種類の文書タイプの分類タスクをサポートします。

DistilBERTベースのテキスト分類モデルで、食品と非食品のテキストを区別するために使用されます

PhoBERTはRoBERTaアーキテクチャを基に最適化されたベトナム語事前学習言語モデルで、ベトナム語テキスト分類タスクに適しています。

Distilbertアーキテクチャに基づくTransformerモデルで、ブラジルポルトガル語の感情分析に特化

Distilbertアーキテクチャに基づくTransformerモデルで、ブラジルポルトガル語の感情分析に特化

econo-sentence-v2を微調整した金融分野の感情分析モデルで、金融フレーズバンクデータセットで96.2%の精度を達成

vinai/phobert-base-v2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93.6%の精度を達成

MathFusionQAはdeepseek-math-7b-baseを基にした数学問題解決モデルで、命令融合により大規模言語モデルの数学問題解決能力を強化します。

このモデルはFacebookAIのroberta-baseをWebi-CPC-11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、評価セットで84.32%の精度を達成しました。

MIT/ast-finetuned-audioset-10-10-0.4593をベースに微調整したオーディオ分類モデルで、心音分類タスクに特化しており、検証セットで96.95%の精度を達成しています。

DeepSeek-R1はdeepseek-aiのベースモデルを改良したバージョンで、音声テキスト変換タスクに特化しており、英語言語処理をサポートしています。

cardiffnlp/twitter-xlm-roberta-base-sentiment-multilingualを基にファインチューニングしたYouTubeコメント感情分析モデル、精度80.17%

distilbert-base-uncasedを基にファインチューニングした感情分析モデルで、評価セットで85.67%の精度を達成

DistilBERTベースの軽量テキスト感情分析モデルで、特に書評データ向けにファインチューニングされています

wav2vec2-baseをファインチューニングしたディープフェイク音声検出モデルで、精度は99.66%

これはBERTモデルをファインチューニングした感情分析モデルで、IMDb映画レビューの感情傾向（ポジティブまたはネガティブ）を分析するために特別に設計されています。

facebook/wav2vec2-baseを微調整した音声処理モデルで、評価セットで99.48%の精度を達成

このモデルはdistilhubertをGTZAN音楽ジャンル分類データセットでファインチューニングしたオーディオ分類モデルで、精度は84%です。

このモデルはAudio Spectrogram Transformer (AST)アーキテクチャに基づくオーディオ分類モデルで、Audiosetデータセットで事前学習された後、GTZAN音楽ジャンル分類データセットでファインチューニングされています。

DistilHuBERTアーキテクチャに基づく音声分類モデルで、GTZANデータセットで微調整され、音楽ジャンル分類タスクに使用されます。

このモデルはfacebook/hubert-base-ls960をファインチューニングした音声分類モデルで、主に二値分類タスクに使用され、評価データセットで78.26%の精度を達成しました。

IBM Granite 埋め込みモデルをファインチューニングした問題分類器で、一般的な質問と特定の質問を区別するために使用されます

PyTorchとHuggingPicsで構築された画像分類モデルで、猫と犬の写真を正確に区別できます。

openai/whisper-tinyを微調整した音声分類モデルで、音声コマンドデータセットで優れた性能を発揮