# 高準確率

本模型是基於Qwen3-0.6B微調的對話輪次檢測模型，採用Unsloth和Huggingface TRL庫加速訓練，在對話輪次檢測任務中準確率達96.22%。

基於distilbert-base-uncased微調的文本分類模型，在AG News數據集上訓練，準確率達89.06%

Qwen2.5-Coder-7B-Instruct 是一個基於 Qwen2.5 架構的 7B 參數規模的代碼生成模型，專注於指令微調，適用於代碼生成和編程輔助任務。

該模型是基於RoBERTa架構的英文情感分析模型，可將文本分類為積極、中性和消極三類。

這是一個基於BERT的多語言模型微調的韓文情感分析模型，專門用於分析韓文客戶評論的情感傾向。

基於MCG-NJU/videomae-base微調的視頻分析模型，用於欺騙檢測任務，準確率達70.37%

基於輕量級RuBERT-tiny2微調的俄語情感分類模型，可識別五種情緒

DeBERTa-v3-small是微軟發佈的輕量級DeBERTa模型變體，適用於文本分類任務。

基於DistilBERT-base-uncased微調的食品/非食品文本分類器，在評估集上達到100%準確率

這是一個基於SetFit的高效少樣本學習模型，用於文本分類任務，採用sentence-transformers/paraphrase-MiniLM-L6-v2作為句子嵌入模型和LogisticRegression進行分類。

這是一個基於distilbert-base-uncased微調的情感分析模型，在評估集上取得了93.2%的準確率。

基於vinai/phobert-base-v2微調的越南語文本分類模型，在驗證集上達到89.62%的準確率

這是一個通過微調bert-base-uncased模型實現的英文垃圾短信分類模型，能夠準確區分垃圾短信和正常短信。

該模型是基於MCG-NJU/videomae-base-finetuned-kinetics微調的版本，主要用於視頻理解任務，在評估集上取得了91.38%的準確率。

基於MCG-NJU/videomae-base-finetuned-kinetics微調的視頻理解模型，在評估集上準確率達91.23%

基於VideoMAE基礎模型在UCF101子集上微調的視頻分類模型

基於MCG-NJU/videomae-base-finetuned-kinetics微調的視頻理解模型，在評估集上準確率達90.97%

基於XLM-RoBERTa-Large微調的財務文件分類模型，支持37種文件類型的分類任務。

基於DistilBERT的文本分類模型，用於區分食品與非食品文本

PhoBERT是基於RoBERTa架構優化的越南語預訓練語言模型，適用於越南語文本分類任務。

基於Distilbert架構的Transformer模型，專注於巴西葡萄牙語的情感分析

基於Distilbert架構的Transformer模型，專注於巴西葡萄牙語的情感分析

基於econo-sentence-v2微調的金融領域情感分析模型，在金融短語銀行數據集上達到96.2%準確率

基於vinai/phobert-base-v2微調的情感分析模型，在評估集上達到93.6%的準確率

MathFusionQA 是基於 deepseek-math-7b-base 的數學問題解決模型，通過指令融合增強大語言模型的數學問題解決能力。

該模型是基於FacebookAI的roberta-base在Webi-CPC-11數據集上微調的版本，主要用於文本分類任務，在評估集上取得了84.32%的準確率。

基於MCG-NJU/videomae-base微調的視頻理解模型，專注於手語識別任務

基於MIT/ast-finetuned-audioset-10-10-0.4593微調的音頻分類模型，專注於心音分類任務，在驗證集上達到96.95%的準確率。

DeepSeek-R1 是一個基於 deepseek-ai 基礎模型的改進版本，專注於音頻文本轉文本任務，支持英文語言處理。

基於cardiffnlp/twitter-xlm-roberta-base-sentiment-multilingual微調的YouTube評論情感分析模型，準確率80.17%

基於distilbert-base-uncased微調的情感分析模型，在評估集上準確率達到85.67%

基於DistilBERT的輕量級文本情感分析模型，專門針對書評數據進行微調

基於wav2vec2-base微調的深度偽造音頻檢測模型，準確率達99.66%

這是一個基於BERT模型微調的情感分析模型，專門用於分析IMDb電影評論的情感傾向（正面或負面）。

基於facebook/wav2vec2-base微調的語音處理模型，在評估集上準確率達99.48%

該模型是基於distilhubert在GTZAN音樂流派分類數據集上微調的音頻分類模型，準確率達84%。

該模型是基於Audio Spectrogram Transformer (AST)架構的音頻分類模型，在Audioset數據集上預訓練後，又在GTZAN音樂流派分類數據集上進行了微調。

基於DistilHuBERT架構的音頻分類模型，在GTZAN數據集上微調，用於音樂流派分類任務。

該模型是基於facebook/hubert-base-ls960微調的語音分類模型，主要用於二分類任務，在評估集上取得了78.26%的準確率。

基於 IBM Granite 嵌入模型微調的問題分類器，用於區分通用問題和定向問題