# 英語NLP

這是chandar-lab/NeoBERT模型的靜態量化版本，旨在減少模型存儲空間和計算資源需求。

該模型經過自行量化處理，輸出和嵌入張量量化為f16格式，其餘張量量化為q5_k或q6_k格式，體積更小且性能與純f16相當。

Falcon-H1是由TII開發的混合Transformers + Mamba架構的僅解碼因果模型，專注於英語NLP任務，性能優異。

T0++是基於T5架構的自然語言處理模型，通過多任務提示訓練實現零樣本任務泛化能力，在多種NLP任務上超越GPT-3且體積更小。

OLMo 2 1B SFT是基於OLMo-2-0425-1B模型的監督微調版本，在Tulu 3數據集上訓練，旨在實現多種任務的最先進性能。

Falcon-E-1B-Base 是由 TII 開發的一個高效 1.58 位語言模型，採用純 Transformer 架構，專為邊緣設備優化設計。

盆景是一個擁有5億參數的小型三值權重語言模型，採用Llama架構和Mistral分詞器，訓練使用的標記數不到50億。

基於distilbert-base-uncased微調的文本分類模型，F1分數為0.6147

Tülu 3 是領先的指令跟隨模型家族，提供完全開源的數據、代碼和訓練方案作為現代技術的綜合指南。3.1版本在強化學習階段進行了改進，性能全面提升。

Stella 400M v5 是一個英語文本嵌入模型，在多個文本分類和檢索任務上表現出色。

基於distilbert-base-uncased微調的情感分析模型，在評估集上準確率達到94%

基於DistilBERT的情感分析模型，在未知數據集上微調，準確率為56.16%

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

基於DistilBERT架構的輕量級文本分類模型，用於將英文新聞分類為國際、體育、商業和科技四大類別

Stella 400M 是一箇中等規模的英語文本處理模型，專注於分類和信息檢索任務。

一個採用混合量化技術的文本生成模型，輸出和嵌入張量使用f16格式，其餘張量採用q5_k或q6_k量化，體積小於標準q8_0量化格式且性能與純f16版本持平。

這是一個基於T5-small模型微調的臨床筆記摘要模型，主要用於生成臨床筆記的摘要。

這是一個通過在線文本數據進行心理健康預測的微調大型語言模型。

基於GPT-2架構的英語情感文本生成模型，支持六種基礎情感類別作為生成條件。

INSTRUCTOR 是一個基於 T5 架構的文本嵌入模型，專注於句子相似度計算和文本分類任務，支持英語語言處理。

這是一個基於BERT架構的生物醫學領域預訓練語言模型，適用於處理生物醫學文本數據。

該模型是基於distilbert-base-uncased在becasv2數據集上微調的版本，主要用於文本分類任務。

基於distilbert-base-uncased模型在becasv2數據集上微調的版本，主要用於文本相關任務。

該模型是基於distilbert-base-uncased在becasv2數據集上微調的版本，主要用於文本生成任務。

基於distilbert-base-uncased在becasv2數據集上微調的文本分類模型

基於RoBERTa-base模型在SQuAD 2.0數據集上微調的問答模型，用於回答基於給定文本的問題

這是一個使用AutoTrain訓練的多類別分類模型，用於MBTI人格類型分析

該模型是基於DistilBERT基礎模型在IMDB數據集上微調的版本，主要用於文本情感分析任務。

基於distilroberta-base微調的模型，適用於特定NLP任務

基於distilroberta-base模型微調的版本，適用於文本相關任務

基於MobileBERT架構的問答模型，針對SQuAD v2數據集進行了微調

基於RoBERTa-base的英語抽取式問答模型，在SQuAD 2.0數據集上訓練，支持FARM與Transformers框架轉換

該模型是基於distilbert-base-uncased在SST2數據集上微調的版本，主要用於情感分析任務。

基於DistilBERT-base-uncased模型在SST-2數據集上微調的情感分析模型，準確率為75.23%。

這是一個通過AutoNLP訓練的二元分類模型，用於檢測文本中的仇恨言論內容。

這是一個基於AutoNLP訓練的多類別分類模型，專門用於推文情感分析。

基於BERT-base-uncased微調的推特情感分析模型，在50k數據上訓練5輪，驗證準確率達82.91%

該模型是基於DistilBERT在未指定數據集上微調的版本，主要用於文本分類任務。

這是microsoft/MiniLM-L12-H384-uncased的6層精簡版本，通過每隔一層保留結構實現輕量化

ALBERT Small v2 是 ALBERT-base-v2 的 6 層輕量級版本，基於 Transformer 架構，適用於自然語言處理任務。