Sal Base
S
Sal Base
由 bolu61 开发
该模型是在未知数据集上从头开始训练的,在评估集上取得了不错的性能表现,能够为相关任务提供有效支持。
下载量 216
发布时间 : 2/11/2025
模型简介
一个从头训练的通用模型,在多个评估指标上表现良好,适用于多种分类任务。
模型特点
高准确率
在评估集上整体准确率达到87.86%,在多个类别上表现优异
多类别支持
支持Eol、Msg、Cmd、Var、Dff、Pgr、Stk、Itm、Yml、Obj、Tre等多种类别的分类
稳定训练
采用AdamW优化器和余弦学习率调度器,训练过程稳定收敛
模型能力
多类别分类
高精度预测
不平衡数据处理
使用案例
文本分类
文档分类
对不同类型的文档进行分类
在Pgr类别上F1值达到0.9405
消息分类
区分不同类型的消息
Msg类别ROC AUC值达到0.9836
对象识别
对象分类
识别和分类不同对象
Obj类别精确率和召回率均达到1.0
🚀 sal-base
该模型是在未知数据集上从头开始训练的。它在评估集上取得了一系列不错的结果,如损失值为 0.7435,准确率达到 0.8786 等,能够为相关任务提供有效的支持。
🚀 快速开始
此模型是在未知数据集上从头开始训练的。它在评估集上取得了以下结果:
- 损失值:0.7435
- 准确率:0.8786
- Eol 精确率:0.8682
- Eol 召回率:0.9233
- Eol F1 值:0.8949
- Eol 支持度:378
- Eol ROC AUC 值:0.9700
- Msg 精确率:0.7391
- Msg 召回率:0.5484
- Msg F1 值:0.6296
- Msg 支持度:31
- Msg ROC AUC 值:0.9836
- Cmd 精确率:0.2174
- Cmd 召回率:0.4167
- Cmd F1 值:0.2857
- Cmd 支持度:12
- Cmd ROC AUC 值:0.9762
- Var 精确率:0.0
- Var 召回率:0.0
- Var F1 值:0.0
- Var 支持度:15
- Var ROC AUC 值:0.9956
- Dff 精确率:0.0
- Dff 召回率:0.0
- Dff F1 值:0.0
- Dff 支持度:4
- Dff ROC AUC 值:0.9990
- Pgr 精确率:0.8901
- Pgr 召回率:0.9970
- Pgr F1 值:0.9405
- Pgr 支持度:333
- Pgr ROC AUC 值:0.9991
- Stk 精确率:0.9630
- Stk 召回率:0.65
- Stk F1 值:0.7761
- Stk 支持度:40
- Stk ROC AUC 值:0.9453
- Itm 精确率:0.9821
- Itm 召回率:0.7639
- Itm F1 值:0.8594
- Itm 支持度:144
- Itm ROC AUC 值:0.9382
- Yml 精确率:1.0
- Yml 召回率:0.8537
- Yml F1 值:0.9211
- Yml 支持度:41
- Yml ROC AUC 值:0.9964
- Obj 精确率:1.0
- Obj 召回率:1.0
- Obj F1 值:1.0
- Obj 支持度:8
- Obj ROC AUC 值:1.0
- Tre 精确率:1.0
- Tre 召回率:0.9583
- Tre F1 值:0.9787
- Tre 支持度:24
- Tre ROC AUC 值:1.0
🔧 技术细节
训练超参数
训练过程中使用了以下超参数:
- 学习率:5e - 06
- 训练批次大小:10
- 评估批次大小:10
- 随机种子:45242
- 优化器:使用 OptimizerNames.ADAMW_TORCH,β 值为 (0.9, 0.999),ε 值为 1e - 08,无额外优化器参数
- 学习率调度器类型:余弦
- 学习率调度器预热比例:0.1
- 训练轮数:100.0
训练结果
训练损失 | 轮数 | 步数 | 验证损失 | 准确率 | Eol 精确率 | Eol 召回率 | Eol F1 值 | Eol 支持度 | Eol ROC AUC 值 | Msg 精确率 | Msg 召回率 | Msg F1 值 | Msg 支持度 | Msg ROC AUC 值 | Cmd 精确率 | Cmd 召回率 | Cmd F1 值 | Cmd 支持度 | Cmd ROC AUC 值 | Var 精确率 | Var 召回率 | Var F1 值 | Var 支持度 | Var ROC AUC 值 | Dff 精确率 | Dff 召回率 | Dff F1 值 | Dff 支持度 | Dff ROC AUC 值 | Pgr 精确率 | Pgr 召回率 | Pgr F1 值 | Pgr 支持度 | Pgr ROC AUC 值 | Stk 精确率 | Stk 召回率 | Stk F1 值 | Stk 支持度 | Stk ROC AUC 值 | Itm 精确率 | Itm 召回率 | Itm F1 值 | Itm 支持度 | Itm ROC AUC 值 | Yml 精确率 | Yml 召回率 | Yml F1 值 | Yml 支持度 | Yml ROC AUC 值 | Obj 精确率 | Obj 召回率 | Obj F1 值 | Obj 支持度 | Obj ROC AUC 值 | Tre 精确率 | Tre 召回率 | Tre F1 值 | Tre 支持度 | Tre ROC AUC 值 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
2.5311 | 1.0 | 76 | 2.4941 | 0.0194 | 0.0 | 0.0 | 0.0 | 378 | 0.4851 | 0.0456 | 0.4516 | 0.0828 | 31 | 0.7149 | 0.0073 | 0.1667 | 0.0140 | 12 | 0.4709 | 0.0 | 0.0 | 0.0 | 15 | 0.4025 | 0.0 | 0.0 | 0.0 | 4 | 0.8850 | 0.0 | 0.0 | 0.0 | 333 | 0.6887 | 0.0 | 0.0 | 0.0 | 40 | 0.4469 | 0.1429 | 0.0208 | 0.0364 | 144 | 0.5840 | 0.5 | 0.0244 | 0.0465 | 41 | 0.7767 | 0.0 | 0.0 | 0.0 | 8 | 0.1738 | 0.0 | 0.0 | 0.0 | 24 | 0.7487 |
2.1099 | 2.0 | 152 | 2.0052 | 0.4388 | 0.4979 | 0.3095 | 0.3817 | 378 | 0.5048 | 0.1190 | 0.1613 | 0.1370 | 31 | 0.8382 | 0.0609 | 0.5833 | 0.1102 | 12 | 0.7734 | 0.0 | 0.0 | 0.0 | 15 | 0.5176 | 0.0 | 0.0 | 0.0 | 4 | 0.8207 | 0.5325 | 0.9339 | 0.6783 | 333 | 0.9186 | 0.0 | 0.0 | 0.0 | 40 | 0.5659 | 0.3571 | 0.0694 | 0.1163 | 144 | 0.7699 | 0.5 | 0.0488 | 0.0889 | 41 | 0.8385 | 0.0 | 0.0 | 0.0 | 8 | 0.4631 | 0.0 | 0.0 | 0.0 | 24 | 0.7796 |
1.5835 | 3.0 | 228 | 1.3663 | 0.5777 | 0.4690 | 0.8201 | 0.5967 | 378 | 0.7462 | 0.0 | 0.0 | 0.0 | 31 | 0.8730 | 0.0 | 0.0 | 0.0 | 12 | 0.9100 | 0.0 | 0.0 | 0.0 | 15 | 0.8133 | 0.0 | 0.0 | 0.0 | 4 | 0.6306 | 0.7972 | 0.8498 | 0.8227 | 333 | 0.9584 | 0.0 | 0.0 | 0.0 | 40 | 0.6980 | 0.2 | 0.0139 | 0.0260 | 144 | 0.8902 | 0.0 | 0.0 | 0.0 | 41 | 0.9466 | 0.0 | 0.0 | 0.0 | 8 | 0.8749 | 0.0 | 0.0 | 0.0 | 24 | 0.8314 |
1.3092 | 4.0 | 304 | 1.0934 | 0.6806 | 0.5640 | 0.8624 | 0.6820 | 378 | 0.8593 | 0.0 | 0.0 | 0.0 | 31 | 0.8850 | 0.0 | 0.0 | 0.0 | 12 | 0.9299 | 0.0 | 0.0 | 0.0 | 15 | 0.8156 | 0.0 | 0.0 | 0.0 | 4 | 0.6399 | 0.8944 | 0.9159 | 0.9050 | 333 | 0.9802 | 0.0 | 0.0 | 0.0 | 40 | 0.8137 | 0.6306 | 0.4861 | 0.5490 | 144 | 0.9450 | 0.0 | 0.0 | 0.0 | 41 | 0.9842 | 0.0 | 0.0 | 0.0 | 8 | 0.9250 | 0.0 | 0.0 | 0.0 | 24 | 0.9508 |
0.9523 | 5.0 | 380 | 0.9353 | 0.7262 | 0.6149 | 0.8492 | 0.7133 | 378 | 0.8953 | 0.0 | 0.0 | 0.0 | 31 | 0.9026 | 0.0 | 0.0 | 0.0 | 12 | 0.9492 | 0.0 | 0.0 | 0.0 | 15 | 0.8372 | 0.0 | 0.0 | 0.0 | 4 | 0.6399 | 0.8646 | 0.9970 | 0.9261 | 333 | 0.9892 | 0.0 | 0.0 | 0.0 | 40 | 0.8796 | 0.7661 | 0.6597 | 0.7090 | 144 | 0.9474 | 0.0 | 0.0 | 0.0 | 41 | 0.9895 | 0.0 | 0.0 | 0.0 | 8 | 0.9598 | 0.0 | 0.0 | 0.0 | 24 | 0.9965 |
0.8714 | 6.0 | 456 | 0.7562 | 0.8039 | 0.7164 | 0.9153 | 0.8037 | 378 | 0.9491 | 0.0 | 0.0 | 0.0 | 31 | 0.9143 | 0.0 | 0.0 | 0.0 | 12 | 0.9499 | 0.0 | 0.0 | 0.0 | 15 | 0.8298 | 0.0 | 0.0 | 0.0 | 4 | 0.7083 | 0.925 | 1.0 | 0.9610 | 333 | 0.9978 | 1.0 | 0.35 | 0.5185 | 40 | 0.9170 | 0.7516 | 0.7986 | 0.7744 | 144 | 0.9590 | 1.0 | 0.3171 | 0.4815 | 41 | 0.9919 | 0.0 | 0.0 | 0.0 | 8 | 0.9793 | 1.0 | 0.2917 | 0.4516 | 24 | 0.9989 |
0.7294 | 7.0 | 532 | 0.6222 | 0.8282 | 0.7596 | 0.8862 | 0.8181 | 378 | 0.9575 | 0.0 | 0.0 | 0.0 | 31 | 0.9330 | 0.0 | 0.0 | 0.0 | 12 | 0.9479 | 0.0 | 0.0 | 0.0 | 15 | 0.8359 | 0.0 | 0.0 | 0.0 | 4 | 0.8302 | 0.9276 | 1.0 | 0.9624 | 333 | 0.9986 | 1.0 | 0.375 | 0.5455 | 40 | 0.9634 | 0.7815 | 0.8194 | 0.8 | 144 | 0.9655 | 0.7826 | 0.8780 | 0.8276 | 41 | 0.9924 | 0.0 | 0.0 | 0.0 | 8 | 0.9976 | 0.9412 | 0.6667 | 0.7805 | 24 | 0.9993 |
0.5118 | 8.0 | 608 | 0.5242 | 0.8534 | 0.7680 | 0.9021 | 0.8297 | 378 | 0.9634 | 0.0 | 0.0 | 0.0 | 31 | 0.9457 | 0.0 | 0.0 | 0.0 | 12 | 0.9656 | 0.0 | 0.0 | 0.0 | 15 | 0.8963 | 0.0 | 0.0 | 0.0 | 4 | 0.9035 | 0.9302 | 1.0 | 0.9638 | 333 | 0.9993 | 1.0 | 0.375 | 0.5455 | 40 | 0.9755 | 0.8873 | 0.875 | 0.8811 | 144 | 0.9720 | 0.9091 | 0.9756 | 0.9412 | 41 | 0.9972 | 0.0 | 0.0 | 0.0 | 8 | 0.9991 | 0.9231 | 1.0 | 0.96 | 24 | 0.9995 |
0.4041 | 9.0 | 684 | 0.5220 | 0.8485 | 0.8020 | 0.8571 | 0.8286 | 378 | 0.9552 | 0.8333 | 0.3226 | 0.4651 | 31 | 0.9577 | 0.0 | 0.0 | 0.0 | 12 | 0.9672 | 0.0 | 0.0 | 0.0 | 15 | 0.9258 | 0.0 | 0.0 | 0.0 | 4 | 0.8845 | 0.8582 | 1.0 | 0.9237 | 333 | 0.9990 | 0.9667 | 0.725 | 0.8286 | 40 | 0.9734 | 0.9487 | 0.7708 | 0.8506 | 144 | 0.9765 | 0.9091 | 0.9756 | 0.9412 | 41 | 0.9977 | 0.75 | 0.375 | 0.5 | 8 | 0.9993 | 0.9231 | 1.0 | 0.96 | 24 | 0.9997 |
0.4858 | 10.0 | 760 | 0.4709 | 0.8748 | 0.7968 | 0.9127 | 0.8508 | 378 | 0.9622 | 0.8333 | 0.3226 | 0.4651 | 31 | 0.9592 | 0.0 | 0.0 | 0.0 | 12 | 0.9721 | 0.0 | 0.0 | 0.0 | 15 | 0.9589 | 0.0 | 0.0 | 0.0 | 4 | 0.8913 | 0.9328 | 1.0 | 0.9652 | 333 | 0.9995 | 1.0 | 0.55 | 0.7097 | 40 | 0.9741 | 0.9690 | 0.8681 | 0.9158 | 144 | 0.9798 | 0.9286 | 0.9512 | 0.9398 | 41 | 0.9982 | 0.75 | 0.375 | 0.5 | 8 | 0.9994 | 0.9231 | 1.0 | 0.96 | 24 | 0.9999 |
0.252 | 11.0 | 836 | 0.4155 | 0.8738 | 0.7949 | 0.9127 | 0.8498 | 378 | 0.9694 | 0.8462 | 0.3548 | 0.5 | 31 | 0.9737 | 0.375 | 0.25 | 0.3 | 12 | 0.9741 | 0.0 | 0.0 | 0.0 | 15 | 0.9900 | 0.0 | 0.0 | 0.0 | 4 | 0.9608 | 0.9354 | 1.0 | 0.9666 | 333 | 0.9996 | 1.0 | 0.45 | 0.6207 | 40 | 0.9663 | 0.9615 | 0.8681 | 0.9124 | 144 | 0.9811 | 0.9268 | 0.9268 | 0.9268 | 41 | 0.9984 | 0.75 | 0.375 | 0.5 | 8 | 0.9995 | 0.9231 | 1.0 | 0.96 | 24 | 1.0000 |
0.2958 | 12.0 | 912 | 0.4171 | 0.8699 | 0.8354 | 0.9127 | 0.8723 | 378 | 0.9718 | 0.8125 | 0.4194 | 0.5532 | 31 | 0.9773 | 0.6667 | 0.3333 | 0.4444 | 12 | 0.9763 | 0.0 | 0.0 | 0.0 | 15 | 0.9921 | 0.0 | 0.0 | 0.0 | 4 | 0.9518 | 0.8952 | 1.0 | 0.9447 | 333 | 0.9997 | 0.9565 | 0.55 | 0.6984 | 40 | 0.9705 | 0.8810 | 0.7708 | 0.8222 | 144 | 0.9817 | 0.9268 | 0.9268 | 0.9268 | 41 | 0.9986 | 0.8571 | 0.75 | 0.8 | 8 | 0.9998 | 0.9231 | 1.0 | 0.96 | 24 | 0.9997 |
0.3351 | 13.0 | 988 | 0.4281 | 0.8786 | 0.8438 | 0.8862 | 0.8645 | 378 | 0.9676 | 0.8421 | 0.5161 | 0.64 | 31 | 0.9798 | 0.625 | 0.4167 | 0.5 | 12 | 0.9788 | 0.0 | 0.0 | 0.0 | 15 | 0.9867 | 0.0 | 0.0 | 0.0 | 4 | 0.9464 | 0.9074 | 1.0 | 0.9514 | 333 | 0.9996 | 1.0 | 0.575 | 0.7302 | 40 | 0.9758 | 0.8865 | 0.8681 | 0.8772 | 144 | 0.9840 | 0.9048 | 0.9268 | 0.9157 | 41 | 0.9984 | 0.8571 | 0.75 | 0.8 | 8 | 0.9998 | 0.9231 | 1.0 | 0.96 | 24 | 1.0 |
0.1799 | 14.0 | 1064 | 0.3970 | 0.8806 | 0.8159 | 0.9259 | 0.8674 | 378 | 0.9704 | 0.8462 | 0.3548 | 0.5 | 31 | 0.9825 | 0.625 | 0.4167 | 0.5 | 12 | 0.9790 | 0.0 | 0.0 | 0.0 | 15 | 0.9934 | 0.0 | 0.0 | 0.0 | 4 | 0.9976 | 0.9354 | 1.0 | 0.9666 | 333 | 0.9997 | 1.0 | 0.375 | 0.5455 | 40 | 0.9539 | 0.9143 | 0.8889 | 0.9014 | 144 | 0.9859 | 0.9459 | 0.8537 | 0.8974 | 41 | 0.9961 | 0.8571 | 0.75 | 0.8 | 8 | 0.9998 | 0.96 | 1.0 | 0.9796 | 24 | 1.0 |
0.2573 | 15.0 | 1140 | 0.3927 | 0.8942 | 0.8589 | 0.9180 | 0.8875 | 378 | 0.9713 | 0.8571 | 0.5806 | 0.6923 | 31 | 0.9833 | 0.8333 | 0.4167 | 0.5556 | 12 | 0.9814 | 0.0 | 0.0 | 0.0 | 15 | 0.9899 | 0.0 | 0.0 | 0.0 | 4 | 0.9922 | 0.9276 | 1.0 | 0.9624 | 333 | 0.9997 | 1.0 | 0.55 | 0.7097 | 40 | 0.9706 | 0.8966 | 0.9028 | 0.8997 | 144 | 0.9851 | 0.9474 | 0.8780 | 0.9114 | 41 | 0.9982 | 1.0 | 0.75 | 0.8571 | 8 | 0.9998 | 0.9231 | 1.0 | 0.96 | 24 | 1.0 |
0.1706 | 16.0 | 1216 | 0.3886 | 0.8835 | 0.8357 | 0.9286 | 0.8797 | 378 | 0.9739 | 0.85 | 0.5484 | 0.6667 | 31 | 0.9848 | 0.8333 | 0.4167 | 0.5556 | 12 | 0.9799 | 0.0 | 0.0 | 0.0 | 15 | 0.9940 | 0.0 | 0.0 | 0.0 | 4 | 0.9963 | 0.9171 | 1.0 | 0.9554 | 333 | 0.9997 | 1.0 | 0.475 | 0.6441 | 40 | 0.9615 | 0.9084 | 0.8264 | 0.8655 | 144 | 0.9826 | 0.9487 | 0.9024 | 0.925 | 41 | 0.9970 | 1.0 | 0.75 | 0.8571 | 8 | 0.9998 | 1.0 | 1.0 | 1.0 | 24 | 1.0 |
0.1121 | 17.0 | 1292 | 0.4100 | 0.8777 | 0.8540 | 0.9286 | 0.8897 | 378 | 0.9717 | 0.8235 | 0.4516 | 0.5833 | 31 | 0.9849 | 0.625 | 0.4167 | 0.5 | 12 | 0.9783 | 0.0 | 0.0 | 0.0 | 15 | 0.9931 | 0.0 | 0.0 | 0.0 | 4 | 0.9954 | 0.8904 | 1.0 | 0.9420 | 333 | 0.9998 | 1.0 | 0.625 | 0.7692 | 40 | 0.9721 | 0.8790 | 0.7569 | 0.8134 | 144 | 0.9789 | 1.0 | 0.8537 | 0.9211 | 41 | 0.9974 | 1.0 | 1.0 | 1.0 | 8 | 1.0 | 1.0 | 1.0 | 1.0 | 24 | 1.0 |
0.1414 | 18.0 | 1368 | 0.4740 | 0.8757 | 0.8509 | 0.9206 | 0.8844 | 378 | 0.9646 | 0.85 | 0.5484 | 0.6667 | 31 | 0.9854 | 0.8333 | 0.4167 | 0.5556 | 12 | 0.9780 | 0.0 | 0.0 | 0.0 | 15 | 0.9932 | 0.0 | 0.0 | 0.0 | 4 | 0.9966 | 0.8833 | 1.0 | 0.9380 | 333 | 0.9996 | 1.0 | 0.575 | 0.7302 | 40 | 0.9652 | 0.8862 | 0.7569 | 0.8165 | 144 | 0.9758 | 0.9722 | 0.8537 | 0.9091 | 41 | 0.9975 | 1.0 | 1.0 | 1.0 | 8 | 1.0 | 1.0 | 1.0 | 1.0 | 24 | 1.0 |
0.0935 | 19.0 | 1444 | 0.4503 | 0.8689 | 0.8769 | 0.9233 | 0.8995 | 378 | 0.9722 | 0.8077 | 0.6774 | 0.7368 | 31 | 0.9890 | 0.25 | 0.4167 | 0.3125 | 12 | 0.9780 | 0.0 | 0.0 | 0.0 | 15 | 0.9939 | 0.0 | 0.0 | 0.0 | 4 | 0.9983 | 0.8582 | 1.0 | 0.9237 | 333 | 0.9997 | 0.9630 | 0.65 | 0.7761 | 40 | 0.9524 | 0.9592 | 0.6528 | 0.7769 | 144 | 0.9767 | 0.9737 | 0.9024 | 0.9367 | 41 | 0.9982 | 1.0 | 0.75 | 0.8571 | 8 | 1.0 | 1.0 | 1.0 | 1.0 | 24 | 1.0 |
0.0794 | 20.0 | 1520 | 0.4563 | 0.8709 | 0.8886 | 0.9074 | 0.8979 | 378 | 0.9740 | 0.875 | 0.6774 | 0.7636 | 31 | 0.9879 | 0.7143 | 0.4167 | 0.5263 | 12 | 0.9795 | 0.0 | 0.0 | 0.0 | 15 | 0.9936 | 0.0 | 0.0 | 0.0 | 4 | 0.9976 | 0.8473 | 1.0 | 0.9174 | 333 | 0.9998 | 0.9630 | 0.65 | 0.7761 | 40 | 0.9514 | 0.8534 | 0.6875 | 0.7615 | 144 | 0.9779 | 0.95 | 0.9268 | 0.9383 | 41 | 0.9996 | 1.0 | 1.0 | 1.0 | 8 | 1.0 | 1.0 | 1.0 | 1.0 | 24 | 1.0 |
0.1209 | 21.0 | 1596 | 0.5927 | 0.8505 | 0.8014 | 0.9286 | 0.8603 | 378 | 0.9639 | 0.85 | 0.5484 | 0.6667 | 31 | 0.9857 | 0.8333 | 0.4167 | 0.5556 | 12 | 0.9813 | 0.0 | 0.0 | 0.0 | 15 | 0.9939 | 0.0 | 0.0 | 0.0 | 4 | 0.9956 | 0.8513 | 0.9970 | 0.9184 | 333 | 0.9997 | 1.0 | 0.375 | 0.5455 | 40 |
Distilbert Base Uncased Finetuned Sst 2 English
Apache-2.0
基于DistilBERT-base-uncased在SST-2情感分析数据集上微调的文本分类模型,准确率91.3%
文本分类 英语
D
distilbert
5.2M
746
Xlm Roberta Base Language Detection
MIT
基于XLM-RoBERTa的多语言检测模型,支持20种语言的文本分类
文本分类
Transformers 支持多种语言

X
papluca
2.7M
333
Roberta Hate Speech Dynabench R4 Target
该模型通过动态生成数据集来改进在线仇恨检测,专注于从最差案例中学习以提高检测效果。
文本分类
Transformers 英语

R
facebook
2.0M
80
Bert Base Multilingual Uncased Sentiment
MIT
基于bert-base-multilingual-uncased微调的多语言情感分析模型,支持6种语言的商品评论情感分析
文本分类 支持多种语言
B
nlptown
1.8M
371
Emotion English Distilroberta Base
基于DistilRoBERTa-base微调的英文文本情感分类模型,可预测埃克曼六种基本情绪及中性类别。
文本分类
Transformers 英语

E
j-hartmann
1.1M
402
Robertuito Sentiment Analysis
基于RoBERTuito的西班牙语推文情感分析模型,支持POS(积极)/NEG(消极)/NEU(中性)三类情感分类
文本分类 西班牙语
R
pysentimiento
1.0M
88
Finbert Tone
FinBERT是一款基于金融通讯文本预训练的BERT模型,专注于金融自然语言处理领域。finbert-tone是其微调版本,用于金融情感分析任务。
文本分类
Transformers 英语

F
yiyanghkust
998.46k
178
Roberta Base Go Emotions
MIT
基于RoBERTa-base的多标签情感分类模型,在go_emotions数据集上训练,支持28种情感标签识别。
文本分类
Transformers 英语

R
SamLowe
848.12k
565
Xlm Emo T
XLM-EMO是一个基于XLM-T模型微调的多语言情感分析模型,支持19种语言,专门针对社交媒体文本的情感预测。
文本分类
Transformers 其他

X
MilaNLProc
692.30k
7
Deberta V3 Base Mnli Fever Anli
MIT
基于MultiNLI、Fever-NLI和ANLI数据集训练的DeBERTa-v3模型,擅长零样本分类和自然语言推理任务
文本分类
Transformers 英语

D
MoritzLaurer
613.93k
204
精选推荐AI模型
Llama 3 Typhoon V1.5x 8b Instruct
专为泰语设计的80亿参数指令模型,性能媲美GPT-3.5-turbo,优化了应用场景、检索增强生成、受限生成和推理任务
大型语言模型
Transformers 支持多种语言

L
scb10x
3,269
16
Cadet Tiny
Openrail
Cadet-Tiny是一个基于SODA数据集训练的超小型对话模型,专为边缘设备推理设计,体积仅为Cosmo-3B模型的2%左右。
对话系统
Transformers 英语

C
ToddGoldfarb
2,691
6
Roberta Base Chinese Extractive Qa
基于RoBERTa架构的中文抽取式问答模型,适用于从给定文本中提取答案的任务。
问答系统 中文
R
uer
2,694
98