# 少樣本學習

這是一個基於SetFit的高效少樣本學習模型，用於文本分類任務，採用sentence-transformers/paraphrase-MiniLM-L6-v2作為句子嵌入模型和LogisticRegression進行分類。

Sapiens是基於3億張1024×1024分辨率人體圖像預訓練的視覺Transformer模型，擅長以人為中心的視覺任務。

一個基於擴散模型的極光圖像生成模型，能夠生成高質量的極光圖像。

針對韃靼語開發的跨詞元大語言模型，基於Mistral-7B-Instruct-v0.2轉換而來

Rho-1是一個專注於數學領域的語言模型，通過選擇性語言建模(SLM)方法進行預訓練，顯著提升了數學問題解決的準確率。

這是一個在sst2數據集上訓練的SetFit模型，用於英文文本分類任務，採用高效的少樣本學習技術訓練。

Sabiá-7B是由Maritaca AI開發的葡萄牙語大語言模型，基於LLaMA-1-7B架構，專門針對葡萄牙語進行了優化。

IDEFICS是一個開源的多模態模型，能夠處理圖像和文本輸入並生成文本輸出，是Deepmind Flamingo模型的開源復現版本。

IDEFICS-9B是一個90億參數的多模態模型，能夠處理圖像和文本輸入並生成文本輸出，是Deepmind Flamingo模型的開源復現版本。

基於Sentence Transformers的句子相似度模型，針對問題報告分類任務微調，支持缺陷/文檔/功能/疑問4類分類

OmniTab是基於BART架構的表格問答模型，通過自然與合成數據預訓練實現少樣本表格問答能力

OmniTab是基於表格的問答模型，通過自然與合成數據預訓練實現少樣本表格問答能力。

該視覺Transformer模型採用MSN方法預訓練，在少樣本場景下表現出色，適用於圖像分類等任務

該視覺Transformer模型採用MSN方法預訓練，在少樣本場景下表現優異，適用於圖像分類等任務

採用MSN方法預訓練的視覺Transformer模型，在少樣本場景下表現優異

採用MSN方法預訓練的視覺Transformer模型，適用於少樣本圖像分類任務

該視覺Transformer模型採用MSN方法進行預訓練，適用於少樣本學習場景，特別適合圖像分類任務。

X-CLIP是CLIP的擴展版本，用於通用視頻語言理解，支持零樣本、少樣本或全監督的視頻分類任務。

X-CLIP是CLIP的極簡擴展，用於通用視頻語言理解，以對比方式在（視頻，文本）對上訓練，適用於零樣本、少樣本或全監督視頻分類以及視頻-文本檢索等任務。

X-CLIP是CLIP的擴展版本，用於通用視頻語言理解，支持視頻分類和視頻-文本檢索任務。

X-CLIP是CLIP的擴展版本，用於通用視頻語言理解，通過對比學習在視頻和文本對上訓練，支持零樣本、少樣本和全監督的視頻分類任務。

基於GPT2架構的波蘭語文本生成模型，填補了波蘭語NLP領域空白，採用多語言Oscar語料庫訓練