# 多標籤分類

EmoBench - UA 是一個用於檢測烏克蘭語文本情感的模型，能夠識別六種基本情感（喜悅、憤怒、恐懼、厭惡、驚訝、悲傷）以及無情感狀態。

基於Whisper Large v3的語音質量分類模型，用於分析語音的音高、音質、音量、清晰度和節奏等特徵。

基於ModernBERT-base在arxiv-new-datasets數據集上微調的模型，主要用於文本分類任務

PPACE是一款80億參數的大語言模型，專為生物醫學資助項目摘要的自動分類而設計，支持世界衛生組織研究優先級分類。

基於BERT的多語言情感分類模型，支持6種語言的文本情感分析

基於ModernBERT-base微調的C/C++代碼漏洞檢測模型，準確率86%

該模型是基於nlpaueb/legal-bert-base-uncased在InLegalNER數據集上微調的版本，專門用於印度法律文本的命名實體識別任務。

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。

基於Vision Transformer (ViT)架構的微調模型，用於對胸部X光片進行分類，訓練於CheXpert數據集。

基於YOLOS-tiny微調的時尚目標檢測模型，專門用於檢測時尚物品如包、下裝、連衣裙等7類物品，在ModaNet和Fashionpedia數據集上訓練，mAP達到0.697。

基於roberta-base微調的毒性評論分類模型，用於檢測評論中的毒性內容。

基於土耳其語BERT模型微調的零樣本分類模型，在XNLI土耳其語數據集上訓練，適用於土耳其語文本分類任務。

基於deepset/gbert-large在facebook/xnli德語數據集上微調的零樣本分類模型

基於ModernBERT-large微調的自然語言推理模型，專門用於零樣本分類任務

FRIDA 是一個多任務評估模型，支持多種自然語言處理任務，包括分類、聚類和重新排序等。

這是 facebook/bart-large-mnli 模型的 OpenVINO 優化版本，用於零樣本文本分類任務。

該模型基於DistilBERT架構，專為多標籤分類任務設計，用於判斷郵件和URL是否安全或存在釣魚風險。

該模型基於DistilBERT構建，經過微調後可對郵件和URL進行多標籤分類，判斷其是否安全或存在潛在的網絡釣魚風險。

基於DeBERTa架構的小型零樣本分類模型，專為長文本自然語言推理任務優化，已轉換為ONNX格式適配Web端

基於ruRoberta-large微調的多標籤情緒分類模型，可檢測俄語文本中的27種情緒類型，是目前俄語開源模型中性能最優的情緒檢測模型。

基於AudioSet預訓練並在AudioSet-strong上微調的CRNN聲音事件檢測模型

PromptGuard是一個用於檢測和防護LLM提示攻擊的文本分類模型，能夠識別惡意提示注入和越獄嘗試。

基於DeBERTa-v3-base的量化ONNX模型，適用於零樣本文本分類任務

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。

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，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。

該模型基於BERT架構，專門用於識別網絡安全文本所屬的MITRE ATT&CK戰術框架類別，支持多標籤分類。

該模型基於Bert-Base-Uncased微調，用於根據蛋白質氨基酸序列預測其功能的多標籤分類任務。

基於BERT的金融監管領域多標籤分類模型，針對反洗錢/反恐融資等監管文本優化

GLiClass是一款高效零樣本分類器，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。

這是一個基於transformers.js的法語零樣本分類模型，適用於無需微調即可進行多類別文本分類任務。

GLiNER是一個基於雙向Transformer的通用命名實體識別模型，專門針對意大利語優化。

這是一個基於BERT-base-uncased微調的文本分類模型，專門用於根據犯罪描述識別犯罪類型，包含34個分類標籤。

基於SwinV2架構的圖像標籤分類模型，用於自動識別圖像中的內容和特徵

基於ATR數據集微調的SegFormer模型，主要用於服裝分割，也可用於人體分割

基於RuBERT-tiny2微調的俄語多標籤情感分類模型，支持28種情感類別識別

基於DeBERTa-v3-base微調的德語零樣本分類模型，適用於多標籤分類任務

該模型是基於Facebook ConvNeXtV2架構的微調版本，專門針對Pixiv排行榜圖像進行多標籤分類任務訓練

這是一個基於西班牙語的零樣本分類模型，適用於多語言自然語言理解任務。