# 高精度文本分類

該模型是基於microsoft/deberta-v3-base微調的版本，在評估集上表現出色，準確率達到99.87%。

基於 modernbert-ja-310m 的日英雙語句子特徵提取模型，支持句子相似度計算和文本分類任務

基於DistilBERT微調的假新聞分類模型，準確率約99%

FactCG是一個基於DeBERTa-v3-large架構的文本分類模型，專門用於檢測大型語言模型生成內容中的無依據幻覺。

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Llama 3.1優化的80億參數品牌安全分類模型，專為蘋果芯片設備優化

基於RoBERTa架構的預訓練模型，專門用於推特文本的情感分析任務。

基於BERT-base的微調模型，用於文本分類任務，在評估集上F1分數達到0.9313

基於XLM-RoBERTa-large微調的多語言情感分類模型，支持16+種語言的情感分析

基於ModernBERT-base微調的多語言情感分類模型，支持16+種語言的情感分析

LENS-8000 是一個基於轉換器的文本嵌入模型，專注於特徵提取和句子相似度任務，在多個分類和檢索任務中表現出色。

LENS-4000 是一個基於變換器的文本嵌入模型，專注於特徵提取和句子相似度計算，在多個文本分類任務中表現出色。

Giga Embeddings Instruct 是一個高性能的嵌入模型，專注於文本分類和檢索任務，在多個基準測試中表現出色。

基於microsoft/Multilingual-MiniLM-L12-H384微調的文本分類模型，用於將郵件主題分類為垃圾郵件(SPAM)或非垃圾郵件(NOSPAM)。

基於XLM-RoBERTa的菲律賓語/他加祿語假新聞檢測模型，準確率達95.46%

該模型是基於PhoBERT-base-v2在未知數據集上微調的文本分類模型，在評估集上取得了99.67%的準確率和99.32%的F1值。

這是一個使用AutoTrain在SST-2英文數據集上微調的DistilBERT模型，用於文本分類任務。

基於Qwen2架構的7B參數規模句子嵌入模型，專注於句子相似度任務，在MTEB基準測試中表現優異。

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。

stella_en_400M_v5_cpu 是一個在多個自然語言處理任務中表現優異的模型，特別擅長分類、檢索、聚類和語義文本相似度等任務。

NV-Embed-v2 是一個基於 sentence-transformers 的嵌入模型，在多個 MTEB 基準測試中表現出色，適用於多種自然語言處理任務。

Salesforce開發的通用文本嵌入模型，在多種NLP任務上表現優異

基於BERT的微調模型，專門用於法律條款分類任務，準確率達88%。

adeBERT是基於BERT-large架構微調的模型，專注於特定領域任務，在評估集上表現出色。

基於RoBERTa-base微調的文本分類模型，用於檢測文本中的自殺傾向，準確率達96.5%

BGE Large English v1.5 是一個高性能的句子轉換器模型，專注於句子特徵提取和相似度計算。

stella-base-en-v2 是一個基於 sentence-transformers 的英語文本嵌入模型，專注於句子相似度和特徵提取任務。

基於DistilBERT輕量級模型的仇恨/攻擊性言論檢測器，通過海量文本預訓練和專有數據集微調實現高效識別

基於DeBERTa-v3的零樣本分類模型，支持多任務自然語言推理（MNLI）、FEVER和ANLI任務，已轉換為ONNX格式以適配Transformers.js

專為中央銀行通訊優化的微調大型語言模型，包含經濟主體分類器和情感分類器

該模型是基於LayoutXLM基礎模型在DocLayNet數據集上微調的版本，專門用於文檔佈局分析和段落級內容理解。

基於土耳其語BERT模型微調的情感分析模型，在評估集上表現出色

這是一個文檔理解模型，專門用於分析文檔佈局和內容，在段落級別進行標記分類任務。

基於DistilBERT的網站分類模型，通過微調在未知數據集上實現了95.04%的準確率。

基於KcELECTRA-base-v2022微調的韓文情感分析模型，在評估集上取得了較好的效果。

該模型是在TREMO土耳其語情感分類數據集上微調的BERTurk cased版本，用於土耳其語情感分析任務。

基於Twitter金融新聞主題數據集微調的金融推文主題分類模型，支持20種金融主題分類。

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檢索任務，在多個基準測試中表現優異。

X-GENRE分類器是一個基於xlm-roberta-base的多語言文本體裁分類模型，支持多種語言的自動體裁識別。

基於BERT架構的銀行客服文本分類模型，在BANKING77數據集上訓練，準確率達92.64%