# 低樣本學習

基於Mistral架構的7B參數大語言模型，使用Unsloth和TRL庫高效訓練，在多項基準測試中表現優異。

Mistral-ORPO-β是基於Mistral-7B使用ORPO方法微調的7B參數語言模型，無需監督微調預熱階段即可直接學習偏好。

StrangeMerges_17-7B-dare_ties是通過LazyMergekit合併的兩個模型Gille/StrangeMerges_16-7B-slerp和Gille/StrangeMerges_12-7B-slerp的產物，採用dare_ties合併方法。

基於Galactica架構的67億參數大語言模型，專注於文章寫作任務，在開放大語言模型排行榜中平均得分37.75。

該模型是基於MCG-NJU/videomae-base在交通事故視頻數據集上微調的版本，主要用於視頻分類任務。

基於Vision Transformer架構的圖像分類模型，針對BIRADS分類任務進行了微調

miCSE是一個專為句子相似度計算而設計的低樣本量句子嵌入模型，通過注意力模式對齊和正則化自注意力分佈實現高效的樣本學習。

該模型是基於google/vit-base-patch16-224在imagefolder數據集上微調的版本，適用於視覺任務。

基於ResNet-18架構在EuroSAT數據集上微調的圖像分類模型

這是一個用於識別稀有犬種的圖像分類模型，準確率為64.44%。