# 零樣本適應

本項目使用mergekit和DARE TIES方法合併了soob3123/amoral-gemma3-12B-v2和IlyaGusev/saiga_gemma3_12b兩個模型，旨在提供更強大的語言處理能力。

該模型是microsoft/Florence-2-large的微調版本，在Ejafa/ye-pop數據集的4萬張圖像子集上進行訓練，標註文本由THUDM/cogvlm2-llama3-chat-19B生成，適用於圖像轉文本任務。

這是一個使用mergekit工具合併的8B參數規模的語言模型，基於Sao10K/L3-8B-Stheno-v3.2作為基礎模型，融合了Jamet-8B-L3和Llama-3-Lumimaid-8B的特性

GLiNER是一種命名實體識別（NER）模型，能夠識別任何實體類型，為傳統NER模型提供了實用替代方案。

Whisper是一個預訓練的自動語音識別（ASR）和語音翻譯模型，經過68萬小時標註數據的訓練，展現出強大的泛化能力。此倉庫包含ONNX格式的Whisper large v2模型的INT4僅權重量化版本。

這是一個通過AutoTrain訓練的二元分類圖像分類模型，具有完美的驗證指標表現。

這是一個通過AutoTrain訓練的天文攝影對象分類模型，能夠準確識別天文攝影中的不同天體對象。

這是一個通過AutoTrain訓練的二元分類模型，專門用於區分動物與人類的圖像。

這是一個使用AutoTrain訓練的二元分類視覺模型，專門用於圖像分類任務。

使用AutoTrain訓練的二元分類模型，專門用於區分貓和狗的圖片

一個用於分類環境整潔度的視覺模型，能夠識別圖像中的髒亂或整潔場景

這是一個通過AutoTrain訓練的二元分類視覺模型，能夠準確區分兩類圖像。

這是一個通過AutoTrain訓練的二元分類模型，專門用於圖像分類任務。

這是一個使用AutoTrain訓練的二元分類模型，專門用於區分貓和狗的圖片。

使用AutoTrain訓練的二元分類模型，能夠準確區分貓和狗的圖片

這是一個通用的語音模型，支持語音識別和音訊處理任務。

OpenAI 開發的高效通用大語言模型，適用於多種自然語言處理任務