# 多領域問答

基於千問2.5 14B模態架構設計的增強推理模型，優化通用推理與問答場景，支持128K上下文和8K輸出

Theta-Lyrae-Qwen-14B是基於Qwen 2.5 14B模態架構設計的140億參數模型，優化了通用推理和問答能力，在上下文理解、邏輯推理和多步驟問題解決方面表現優異。

SILMA Kashif 2B Instruct v1.0是專為阿拉伯語和英語RAG（檢索增強生成）任務設計的開源模型，基於谷歌Gemma構建，具備實體提取和多領域處理能力。

基於LlaMA3.1微調的韓語大語言模型，適配韓國文化，支持53個領域的韓語任務

Llama3.1-Neo-1B-100w是基於Meta-Llama-3.1-8B-Instruct剪枝至1.4B參數規模，並採用LLM-Neo方法（結合LoRA與知識蒸餾）微調的高效語言模型。訓練數據採樣自BAAI/Infinity-Instruct的100萬行數據。

Llama-3.1-Storm-8B 是基於 Llama-3.1-8B-Instruct 開發的模型，旨在提升 80 億參數模型類的對話和函數調用能力。

基於多種數據集訓練的對話模型，支持中文交互，適用於非商業場景

這是一個基於均方誤差（MSE）蒸餾方法訓練的波蘭語文本排序模型，訓練數據集包含140萬條查詢和1000萬份文檔的文本對。

這是一個採用RankNet損失函數訓練的波蘭文本排序模型，訓練數據集包含140萬條查詢和1000萬份文檔組成的文本對。

這是一個160M參數的Llama聊天模型，基於JackFram/llama-160m微調而來，專注於文本生成任務。