# 多輪微調

該模型是基於Ransaka/sinhala-ocr-model微調的僧伽羅語OCR模型，主要用於識別僧伽羅語文本。

基於facebook/mbart-large-50微調的英語-西班牙語翻譯模型，在評估集上達到45.03的BLEU分數。

基於google/long-t5-tglobal-base微調的文本摘要模型，在XSum和CNN/DailyMail數據集上表現良好。

基於t5-base模型微調的語法糾錯模型，用於文本語法錯誤檢測與修正

這是一個基於wav2vec2架構的土耳其語語音識別模型，在Common Voice數據集上微調，詞錯誤率(WER)為0.3634。

nick_asr_v2 是一個自動語音識別(ASR)模型，基於未知數據集微調，在評估集上取得了1.4562的損失值，0.6422的詞錯誤率和0.2409的字符錯誤率。

ascend是基於GleamEyeBeast/ascend微調的模型，主要用於語音識別任務，在評估集上取得了詞錯誤率0.6412和字符錯誤率0.2428的性能。

該模型是基於wav2vec2-base-checkpoint-4在common_voice數據集上微調的語音識別模型，支持自動語音識別(ASR)任務。

基於波斯語通用語音數據集微調的自動語音識別模型

基於facebook/wav2vec2-xls-r-300m微調的孟加拉語語音識別模型，專注於指令詞識別

該模型是基於Mozilla Common Voice 7.0波斯語數據集微調的自動語音識別(ASR)模型，專門用於波斯語語音轉文本任務。

基於microsoft/deberta-v3-base微調的文本情感分類模型，在未知數據集上訓練，評估F1分數為0.4468

基於wav2vec2-base-checkpoint-9在common_voice數據集上微調的語音識別模型，在評估集上詞錯誤率為0.3292

該模型是基於wav2vec2-base-checkpoint-11.1在common_voice數據集上微調的版本，主要用於語音識別任務。

基於DeBERTa-v3-large微調的MNLI任務模型，在GLUE MNLI評估集上達到91.75%準確率