# 英语文本处理

基于T5架构的静态量化模型，专注于学术论文摘要生成任务

基于google/flan-t5-base模型在对话摘要任务上的微调版本，使用PEFT方法进行参数高效微调

这是一个基于T5架构的新闻摘要生成模型的静态量化版本，支持英语文本摘要任务。

BART Large CNN 是一个基于 BART 架构的预训练模型，专门用于文本摘要生成任务。

基于ModernBERT-base微调的多类别情感分类模型，可识别7种情感标签

基于ModernBERT-base微调的多标签情感分类模型，可识别28种情感标签

这是一个使用AutoTrain在SST-2英文数据集上微调的DistilBERT模型，用于文本分类任务。

该模型是基于 Pegasus 架构，在 SAMSUM 数据集上微调得到的英语对话摘要模型。

基于BART-large-cnn微调的英语对话摘要模型，专门针对Samsung/samsum数据集优化

Fast Emotion-X是基于微软DeBERTa V3 Small模型微调的情绪检测模型，能够准确将文本分类到六种情绪类别中。

基于T5架构的模型，专门用于从摘要文本中提取原子声明，是摘要事实性评估流程的关键组件。

基于bert-base-uncased微调的多标签情感分类模型，可将英文文本划分为43种情感类别

专为高效零样本分类设计的RoBERTa-large模型，使用商业友好数据训练，无需训练数据即可执行文本分类任务。

基于BART架构微调的文本摘要模型，专为生成简洁准确的摘要而设计

一个基于T5架构的句子嵌入模型，专注于英语文本的语义相似度和信息检索任务。

基于TinyStories数据集训练的1500万参数Llama 2架构模型

由Google Research发布的小型BERT模型之一，仅限英语，无大小写区分，使用WordPiece掩码训练。

基于GPT-2中等模型在SST-2数据集上微调的情感分析模型，用于文本情感分类任务。

一个针对TLDR新闻文章进行文本摘要和标题生成的微调T5模型

BERT (Bidirectional Encoder Representations from Transformers) 是一种基于Transformer架构的预训练语言模型，由Google开发。

BART是一个采用编码器-编码器架构的Transformer模型，针对服务条款的抽象摘要任务进行了微调

这是BERT模型的微型版本，无大小写区分，适用于资源受限环境下的自然语言处理任务。

该模型是基于microsoft/xtremedistil-l12-h384-uncased在wikitext数据集上微调的版本，主要用于文本生成任务。

这是一个基于AutoNLP训练的多类别分类模型，专门用于处理歌曲歌词文本分类任务。

基于DistilBERT的轻量级命名实体识别模型，专为英语文本优化，不区分大小写。

Flair自带的英语标准词性标注模型，基于Ontonotes数据集训练，F1分数为98.19。

基于bert-base-uncased微调的情感分析模型，用于推文情感分类

基于Transformer的英语NLP流水线模型，提供高性能的命名实体识别、词性标注和依存分析功能。

基于BERT-Large-Uncased微调的情感分析模型，在斯坦福情感树库(SST2)上训练，用于文本情感分类。

这是一个基于BERT-small架构的编码器-解码器模型，专门针对CNN/Dailymail数据集进行了摘要生成任务的微调。

这是一个通过AutoNLP训练的二元分类模型，用于IMDB影评情感分析

spaCy提供的大型英语语言处理模型，针对CPU优化，包含完整的自然语言处理流程

DistilRoBERTa是RoBERTa模型的轻量级蒸馏版本，保留了大部分性能但参数更少，适用于高效文本处理任务。

基于BART架构的预训练模型，专为生成差异形式的无意义摘要而设计

基于DistilBERT的文本分类模型，用于多标签情感分类任务

这是一个基于AutoNLP训练的多类别分类模型，专门用于处理歌曲歌词文本分类任务。

基于BART-base架构的问题生成模型，针对SQuAD数据集微调，无需答案信息即可生成问题。

spaCy的中等规模英语处理流程，针对CPU优化，包含词性标注、依存分析、命名实体识别等功能

spaCy提供的针对CPU优化的英语小型语言处理流程，包含分词、词性标注、依存分析、命名实体识别等核心功能

Flair自带的英语标准通用词性标注模型，基于Ontonotes数据集训练，F1分数达98.6