# 编码器-解码器

TURNA是一个基于UL2框架的土耳其语言模型，适用于理解和生成任务，在多项土耳其语任务中表现优异。

Erya是一个专门为将古代汉语翻译成现代汉语而设计的预训练模型。

CodeT5是基于标识符感知的统一预训练编码器-解码器模型，专注于代码理解与生成任务。

TAPEX是一种通过神经SQL执行器学习实现表格预训练的模型，基于BART架构，专为表格推理任务设计。

T5高效大型-DM2000是谷歌T5模型的一个变体，采用深度窄型架构，优先增加模型深度以提高下游任务性能。

T5-Efficient-BASE-FF6000是谷歌原版T5的一个变体，采用深度窄型架构，在参数数量相近的模型架构中，下游任务性能更具优势。

T5-Efficient-BASE是基于谷歌T5架构的变体，采用深度窄型设计优化下游任务表现，参数量2.229亿

T5-Efficient-TINY-FF12000是Google原始T5的一个变体，采用深度窄型架构，在参数数量相近的模型中表现出更优的下游任务性能。

T5高效XL是谷歌T5模型的深度窄型变体，专注于通过增加模型深度而非宽度来提升下游任务性能。

T5-Efficient-SMALL-DM768 是 Google 原始 T5 的一个变体，采用深度窄型架构，优先增加模型深度以提高下游性能。

T5高效小型-NL22是谷歌T5模型的深度窄型变体，专注于通过增加模型深度提升下游任务性能。

T5-Efficient-LARGE是基于谷歌T5的变体，采用深度窄型架构优化下游任务性能，拥有7.377亿参数。

T5高效大型-NH32是谷歌T5模型的深度窄型变体，专注于通过增加模型深度提升下游任务性能。

T5-Efficient-SMALL-KV256是谷歌T5的变体，采用深度窄型架构优化下游任务性能，参数量1.17亿，需微调使用。

T5-Efficient-SMALL是Google原版T5的一个变体，采用深度窄型架构，在参数数量相近的情况下，下游任务性能优于其他架构。

基于BERT-base和GPT2-small微调的印尼语文本摘要编码器-解码器模型，适用于生成印尼语文本的摘要。

T5-Efficient-SMALL-EL2是Google原版T5的一个变体，采用深度窄型架构，优先增加模型深度以提高下游性能。

T5-Efficient-MINI是谷歌原版T5的一个变体，采用深度窄型架构，在参数数量相似的模型架构中表现出更优的下游任务性能。

基于BERT架构的编码器-解码器模型，专门用于英语到德语的机器翻译任务。

基于RoBERTa架构的编码器-解码器模型，专为极端摘要生成任务设计，在BBC XSum数据集上微调。

T5-Efficient-SMALL-KV32是Google原版T5的一个变体，采用深度窄型架构，专注于提高下游任务性能。

基于BERT架构的编码器-解码器模型，专门用于德语到英语的机器翻译任务。

T5-Efficient-BASE-NL48 是 Google T5 的变体，采用深度窄型架构，优先增加模型深度以提高下游任务性能。

T5-Efficient-TINY-NL32是Google原版T5的一个变体，采用深度窄型架构，优先增加模型深度以优化下游任务性能。

DialogLM是基于长文本编码器-解码器（LED）架构的预训练模型，专为长对话理解与摘要任务设计。