# 合成數據訓練

專注於描述動漫風格圖像的視覺語言模型，基於SmolVLM-500M-Base微調

Phi-4-mini-reasoning 是一個基於合成數據構建的輕量級開放模型，專注於高質量、富含推理的數據，並針對更高級的數學推理能力進行了進一步微調。

基於roberta-base-zeroshot-v2.0-c微調的零樣本分類模型，採用SmartShot方法和合成數據提升性能

專注於描述動漫風格圖像的視覺語言模型，基於SmolVLM-500M-Base微調，訓練數據包含18萬組由大語言模型生成的合成圖像/字幕對。

基於VILA-v1.5-8B構建的視頻字幕生成模型，能夠為輸入視頻生成詳細且符合人類偏好的字幕。

Poseless-3B 是一種基於視覺語言模型（VLM）的機器人手部控制框架，能夠直接將2D圖像映射到關節角度，無需顯式姿態估計。

PoseLess是一種創新的機器人手部控制框架，通過使用投影表示直接將2D圖像映射到關節角度，無需顯式的姿態估計。

GLiNER-BioMed是基於GLiNER框架的專為生物醫學領域設計的高效開放NER模型套件，能夠識別多種類型的生物醫學實體。

GLiNER-BioMed是基於GLiNER框架的高效開放生物醫學命名實體識別模型套件，專為生物醫學領域設計，能夠識別多種實體類型。

GLiNER-BioMed是基於GLiNER框架的專門高效開放生物醫學NER模型套件，在生物醫學實體識別任務中實現了最先進的零樣本和小樣本性能。

GLiNER-生物醫學版是基於GLiNER框架開發的專用生物醫學命名實體識別模型，能夠識別多種生物醫學實體類型。

Asagi-8B是一個大規模的日語視覺與語言模型（VLM），基於廣泛的日語數據集訓練，整合了多樣化的數據來源。

在單塊GPU上24小時內訓練出的高質量語音語言模型，基於Qwen2.5-0.5B微調，使用Hubert標記作為詞彙表

基於ModernBERT-large微調的文本分類模型，用於檢測和分類文本中的多種偏見類型。

Asagi-14B是一個大規模的日語視覺與語言模型（VLM），在廣泛的日語數據集上進行了訓練，整合了多樣化的數據來源。

由Jasper研究團隊開發的用於低分辨率圖像放大的ControlNet模型

一個基於DistilBERT微調的多語言情感分析模型，支持21種語言，適用於社交媒體、客戶反饋等多場景分析。

專為強化低級幾何感知能力訓練的多模態大語言模型，通過合成高保真視覺描述增強幾何分析能力

基於BART架構的西班牙語語法糾錯模型，使用COWS-L2H數據集和80,984條合成數據訓練，專為單句糾錯優化

基於Qwen2.5-72B微調的大語言模型，專注於文本生成和指令跟隨任務

mStyleDistance是一個多語言風格嵌入模型，旨在將具有相似寫作風格的文本緊密嵌入，不同風格的文本遠離嵌入，不受內容和語言限制。

基於pegasus-x-base微調的文本摘要模型，使用合成數據訓練，擅長處理長文檔摘要任務。

Phi-3.5是由Microsoft開發的基於Phi-3架構的先進大語言模型，專注於高質量、富含推理的數據，支持128K標記上下文長度。

由Jasper研究團隊開發的用於低分辨率圖像放大的ControlNet模型

Reflection Llama-3.1 70B 是一款開源大語言模型，採用'反思調優'技術訓練，能夠自主檢測推理錯誤並修正方向。

基於Depth Anything V2使用合成Hypersim數據集進行室內度量深度估計的微調版本，兼容transformers庫。

基於Depth Anything V2模型，針對室內度量深度估計任務使用Hypersim合成數據集微調的版本

基於Depth Anything V2針對室內度量深度估計任務進行微調的模型，使用合成數據集Hypersim訓練，兼容transformers庫。

基於Depth Anything V2的微調版本，專為戶外場景度量深度估計設計，使用合成數據集Virtual KITTI進行訓練。

基於Depth Anything V2使用合成Virtual KITTI數據集針對室外度量深度估計任務微調的版本，兼容transformers庫

基於Depth Anything V2針對戶外度量深度估計任務進行微調的版本，使用合成數據集Virtual KITTI進行訓練

基於distilbert/distilbert-base-uncased微調的情感分析模型，僅使用合成數據訓練，支持5種情感分類。

StyleDistance是一種風格嵌入模型，旨在將寫作風格相似的文本緊密嵌入，不同風格的文本遠離嵌入，而不受內容影響。

一款高效的零樣本分類器，基於合成數據訓練，適用於主題分類、情感分析及RAG流程中的重排序任務。

GLiClass是一款高效零樣本分類器，受GLiNER啟發，適用於文本分類、情感分析及RAG流程中的重排序任務。

GLiClass是一款高效零樣本分類器，基於合成數據訓練，適用於文本分類、情感分析及RAG流程中的重排序任務。

基於自博弈偏好優化方法在第三輪迭代中開發的89億參數語言模型，以google/gemma-2-9b-it為起點，使用UltraFeedback數據集進行微調

基於Meta-Llama-3-8B-Instruct架構，採用Self-Play Preference Optimization方法在第三次迭代中開發的大語言模型。

基於Qwen2-1.5B-Instruct模型進行2輪微調的摘要生成專用模型

Gemma是一款先進的開源模型，基於高質量數據集訓練，支持不同上下文長度需求。