# 少样本学习

这是一个基于SetFit的高效少样本学习模型，用于文本分类任务，采用sentence-transformers/paraphrase-MiniLM-L6-v2作为句子嵌入模型和LogisticRegression进行分类。

Sapiens是基于3亿张1024×1024分辨率人体图像预训练的视觉Transformer模型，擅长以人为中心的视觉任务。

一个基于扩散模型的极光图像生成模型，能够生成高质量的极光图像。

针对鞑靼语开发的跨词元大语言模型，基于Mistral-7B-Instruct-v0.2转换而来

Rho-1是一个专注于数学领域的语言模型，通过选择性语言建模(SLM)方法进行预训练，显著提升了数学问题解决的准确率。

这是一个在sst2数据集上训练的SetFit模型，用于英文文本分类任务，采用高效的少样本学习技术训练。

Sabiá-7B是由Maritaca AI开发的葡萄牙语大语言模型，基于LLaMA-1-7B架构，专门针对葡萄牙语进行了优化。

IDEFICS是一个开源的多模态模型，能够处理图像和文本输入并生成文本输出，是Deepmind Flamingo模型的开源复现版本。

IDEFICS-9B是一个90亿参数的多模态模型，能够处理图像和文本输入并生成文本输出，是Deepmind Flamingo模型的开源复现版本。

基于Sentence Transformers的句子相似度模型，针对问题报告分类任务微调，支持缺陷/文档/功能/疑问4类分类

OmniTab是基于BART架构的表格问答模型，通过自然与合成数据预训练实现少样本表格问答能力

OmniTab是基于表格的问答模型，通过自然与合成数据预训练实现少样本表格问答能力。

该视觉Transformer模型采用MSN方法预训练，在少样本场景下表现出色，适用于图像分类等任务

该视觉Transformer模型采用MSN方法预训练，在少样本场景下表现优异，适用于图像分类等任务

采用MSN方法预训练的视觉Transformer模型，在少样本场景下表现优异

采用MSN方法预训练的视觉Transformer模型，适用于少样本图像分类任务

该视觉Transformer模型采用MSN方法进行预训练，适用于少样本学习场景，特别适合图像分类任务。

X-CLIP是CLIP的扩展版本，用于通用视频语言理解，支持零样本、少样本或全监督的视频分类任务。

X-CLIP是CLIP的极简扩展，用于通用视频语言理解，以对比方式在（视频，文本）对上训练，适用于零样本、少样本或全监督视频分类以及视频-文本检索等任务。

X-CLIP是CLIP的扩展版本，用于通用视频语言理解，支持视频分类和视频-文本检索任务。

X-CLIP是CLIP的扩展版本，用于通用视频语言理解，通过对比学习在视频和文本对上训练，支持零样本、少样本和全监督的视频分类任务。

基于GPT2架构的波兰语文本生成模型，填补了波兰语NLP领域空白，采用多语言Oscar语料库训练