# 多領域適配

FlexOlmo是一種新型的大語言模型，支持數據協作的靈活範式，允許數據所有者在不放棄控制權的情況下貢獻數據。

基於sentence-transformers的句子相似度計算模型，用於評估文本間的語義相似度

Hermes-3-Llama-3.1-405B是一個基於Llama架構的大型語言模型，專注於文本生成任務。

這是一個使用mergekit工具合併的12B參數規模的大語言模型，融合了多個優秀模型的特性。

DeepSeek-R1T-Chimera 是一個結合了 DeepSeek-R1 智能和 DeepSeek-V3 令牌效率的開源權重模型。

XYZ-embedding-zh 是一個基於 sentence-transformers 的中文嵌入模型，能夠將句子和段落映射到1792維的密集向量空間，適用於聚類和語義搜索等任務。

這是一個基於BERT架構、針對英語質量領域文本分類任務進行微調的模型，屬於Multi2ConvAI項目的一部分。

PEG是一種通過漸進式學習實現穩健文本檢索的模型，基於負樣本的難度級別調整損失權重。

基於ModernBERT-Ja構建的日語通用重排序模型，具有頂尖性能表現和長序列處理能力

基於ModernBERT架構的土耳其語預訓練模型，支持8192上下文長度，在多個領域表現優異

基於12B參數的大語言模型，支持文本生成任務，採用Apache-2.0許可證發佈。

這是一個基於 Mistral-Small-24B-Instruct-2501 的融合模型，採用了 DARE TIES 融合方法，整合了多個 24B 參數規模的模型。

基於OpenAI Whisper-small微調的土耳其語語音識別模型

DeepSeek-R1-Distill-Llama-8B 是一個基於 Llama 架構的 8B 參數規模的大型語言模型，經過蒸餾訓練優化，適用於文本生成任務。

基於Whisper Large v3 Turbo優化的德語語音識別模型，在13小時精選數據集上微調，顯著提升德語識別準確率

這是一個從Chuxin-Embedding轉換而來的GGUF格式模型，主要用於中文文本檢索任務。

基於whisper-large-v3微調的拉脫維亞語自動語音識別模型，由AiLab.lv訓練，支持拉脫維亞語語音轉文本任務。

由NVIDIA NeMo和Suno.ai聯合開發的英語語音識別模型，支持標點符號和大小寫轉換，採用FastConformer-TDT-CTC架構

基於exaone-3-7.8B-it訓練的英韓翻譯模型，專注於指令數據集的翻譯任務

專為斯瓦希里語與英語雙向翻譯開發的Transformer模型，基於21萬條語料對微調訓練

基於Llama3微調的波斯語問答專用版本，能夠根據上下文準確回答波斯語問題

該項目是一個遵循MIT許可的開源項目，具有一定的開源價值。

這是 bond005/whisper-large-v3-ru-podlodka 的 ctranslate2 轉換版本，針對俄語語音識別任務進行了優化。

基於MIT許可證的開源模型，具體功能需根據實際模型確定

Turkish-Llama-8b-v0.1是基於LLaMA-3 8B模型完全微調的土耳其語文本生成模型，使用了30GB土耳其語數據集訓練。

基於Llama-3-8B-it訓練的英韓翻譯模型，專門用於英語指令數據集的翻譯

基於Meta Llama-2-7b進行荷蘭語適配的版本，通過LoRa技術使用32B荷蘭語Llama-2 tokens微調而成的基礎模型

基於Flan-T5-Base微調的意圖分類模型，用於將客戶問題歸類到預定義類別

基於SlimPajama-627B數據集訓練的文本生成模型，採用視網膜網絡架構。

基於FRED-T5-1.7B架構的蒸餾模型，用於俄語拼寫、標點及大小寫錯誤的自動校正

基於FRED-T5-large訓練的俄語拼寫檢查模型，可糾正拼寫、標點和大小寫錯誤

TinyLlama是一個11億參數的緊湊型語言模型，採用與Llama 2相同的架構和分詞器，適用於計算和內存資源有限的應用場景。

TinyLlama是一個11億參數的小型語言模型，採用與Llama 2相同的架構和分詞器，適用於資源受限的應用場景。

OpenSearch神經稀疏編碼模型v1，用於將查詢和文檔編碼為30522維稀疏向量，實現高效的搜索相關性和檢索

Parakeet TDT 1.1B是由NVIDIA NeMo和Suno.ai聯合開發的自動語音識別(ASR)模型，能夠將語音轉錄為小寫英文字母。

由Salesforce Research研發的文本嵌入模型，基於E5-mistral-7b-instruct和Mistral-7B-v0.1訓練，主要用於文本檢索任務。

BCEmbedding是網易有道研發的雙語跨語言嵌入模型庫，包含EmbeddingModel（語義向量生成）和RerankerModel（結果精排）兩類模型。作為有道檢索增強生成（RAG）系統的核心組件，已成功應用於開源項目QAnything及有道速讀、有道翻譯等產品。

面向RAG優化的雙語與跨語言重排序模型，支持中英日韓四語種，提供可解釋的絕對分數

Parakeet CTC 0.6B是由NVIDIA NeMo和Suno.ai聯合開發的自動語音識別模型，基於FastConformer架構，擁有約6億參數，支持英語語音轉錄。

Parakeet RNNT 0.6B 是由 NVIDIA NeMo 和 Suno.ai 聯合開發的自動語音識別模型，基於 FastConformer 架構，擁有約 6 億參數，專門用於將英語語音轉錄為文本。