有2673個模型符合條件

這是一個基於印尼語RoBERTa模型微調的詞性標註模型，在indonlu數據集上訓練，用於印尼語文本的詞性標註任務。

一個基於PyTorch和HuggingPics構建的圖像分類模型，用於識別圖像中的性別

該模型是基於facebook/wav2vec2-base在speech_commands數據集上微調的語音命令識別模型，準確率達97.59%。

基於facebook/wav2vec2-xls-r-300m在菲律賓語音數據集上微調的語音識別模型

這是一個基於PyTorch框架和HuggingPics工具生成的圖像分類模型，專門用於性別分類任務。

AraBERT是基於BERT架構的阿拉伯語預訓練語言模型，專門針對阿拉伯語理解任務優化。

BLOOMZ系列的中型多語言模型，適用於多種自然語言處理任務。

基於OpenAI Whisper-medium微調的語音語種識別模型，在FLEURS數據集上達到88.05%準確率

Distil-Whisper是Whisper large-v3的知識蒸餾版本，專注於英語自動語音識別，提供更快的推理速度同時保持接近原始模型的準確性。

基於DistilRoBERTa微調的金融新聞情感分析模型，準確率達98.23%

基於神經網絡與知識庫融合的多語言命名實體識別模型，支持9種語言

基於openai/whisper-small微調的通用語言識別模型，在評估集上準確率達88.6%

Distil-Whisper是Whisper模型的蒸餾版本，速度比原版快6倍，體積縮小49%，在英語語音識別任務上保持接近原版的性能。

一個用於分類人類皮膚類型的圖像分類模型，致力於實現公平性，確保模型在所有膚色上都能正確表現。

該模型是基於ibert-roberta-base微調得到的版本，專門用於檢測辱罵或威脅性言論。

基於microsoft/wavlm-base-plus在LIBRISPEECH_ASR - CLEAN數據集上微調的自動語音識別模型

這是一個多語言新聞分類模型，能夠根據IPTC新聞代碼對挪威語、瑞典語和英語的新聞內容進行分類，支持16個預定義類別。

基於bert-base-cased微調的BPMN流程信息抽取模型，用於從文本化流程描述中提取執行者、任務等關鍵元素

基於Facebook/Meta的XLS-R特徵提取器微調而成的新挪威語自動語音識別模型，在NPSC測試集上WER為11.32%。

基於ConvNeXt-Large架構的CLIP模型，在LAION-2B數據集上訓練，支持零樣本圖像分類和圖像文本檢索任務

基於LAION-2B數據集訓練的大規模ConvNeXt-Large CLIP模型，支持零樣本圖像分類和圖文檢索任務

基於OpenCLIP框架在LAION-2B英語子集上訓練的視覺語言模型，支持零樣本圖像分類和圖文檢索

基於VoxRex特徵提取器微調的300M參數語音識別模型，專為新挪威語(Nynorsk)優化，在NPSC測試集上WER達12.22%

基於YOLOv8m的目標檢測模型，專門用於表格提取任務，能夠檢測帶邊框和無邊框的表格。

基於YOLOv5n的輕量級車牌檢測模型，專為車牌識別任務優化

基於YOLOv8s的表格檢測模型，能夠準確識別圖像中的有邊框和無邊框表格。

基於DistilBERT微調的輕量級命名實體識別模型，平衡性能與效率

Distil-Whisper是Whisper模型的蒸餾版本，速度提升6倍，體積縮小49%，在非分佈評估集上的表現僅相差1% WER。

基於ConvNeXt-Base架構的CLIP模型，使用OpenCLIP在LAION-5B子集上訓練，專注於零樣本圖像分類任務

基於Wav2Vec 2.0微調的語音情感識別模型，支持識別8種英語情感，在RAVDESS數據集上準確率達82.23%

基於distilbert-base-uncased微調的性別分類模型，在評估集上準確率達到1.0

Distil-Whisper是Whisper模型的蒸餾版本，速度快6倍，體積縮小49%，在非分佈評估集上表現接近1% WER。

基於jonatasgrosman/wav2vec2-large-xlsr-53-english微調的英語-菲律賓語語音識別模型，在評估集上WER為0.5750

基於YOLOv8s微調的手寫簽名檢測模型，專門用於文檔圖像中的簽名定位

挪威國家圖書館基於OpenAI Whisper開發的挪威語自動語音識別模型，專門針對逐字轉錄場景優化，輸出全小寫無標點文本

基於Facebook/Meta的XLS-R特徵提取器微調的挪威語自動語音識別模型，在NPSC測試集上詞錯誤率6.33%

BioMistral是基於Mistral架構、針對醫學領域優化的開源大語言模型，通過PubMed Central開放獲取文本數據繼續預訓練，支持多語言醫學問答任務。

AraGPT2是基於Transformer架構的阿拉伯語生成預訓練模型，由AUB MIND實驗室開發，支持多種規模的模型變體。

CNER模型是一個基於DeBERTa-v3-base架構的命名實體識別模型，能夠聯合識別和分類帶有細粒度標籤的概念和命名實體。

FullStop是一個基於Transformer的多語言標點符號預測模型，支持英語、德語、法語、意大利語、荷蘭語等多種語言。

這是一個實驗性模型，旨在修正英語文本中的拼寫錯誤和標點符號。

基於Google Vision Transformer (ViT)架構的預訓練模型，在CIFAR-10數據集上進行了微調，用於圖像分類任務。