
nagisa用のBERTモデル
他の言語の説明
統計
2026年11月17日時点の統計
GitHub の Star 数
5
±0 (10月13日〜)
パッケージの週間ダウンロード数
46
パッケージの累計ダウンロード数
63,000
最終コミット
2026年2月
GitHub での作成日
2022年9月25日
掲載日
2022年10月12日
Star 数の推移
数値を表で見る
| 月 | Star |
|---|---|
| 2025年12月 | 4 |
| 2026年1月 | 4 |
| 2026年2月 | 5 |
| 2026年3月 | 5 |
| 2026年4月 | 5 |
| 2026年5月 | 5 |
| 2026年6月 | 5 |
| 2026年7月 | 5 |
| 2026年8月 | 5 |
| 2026年9月 | 5 |
| 2026年10月 | 5 |
| 2026年11月 | 5 |
各月の最後のスナップショット。Star 数は 1,000 以上では 100 単位に丸められています。
PyPI での利用
PyPI パッケージ: nagisa-bert · 2026年10月までの月間値(ClickPy)
直近1年のダウンロード数
10,732
日本からの割合(直近1年)
15.8%
依存している PyPI パッケージ
0
うち必須の依存 0
PyPI の月間ダウンロード数
数値を表で見る
| 月 | ダウンロード数(月) |
|---|---|
| 2019年1月 | — |
| 2019年2月 | — |
| 2019年3月 | — |
| 2019年4月 | — |
| 2019年5月 | — |
| 2019年6月 | — |
| 2019年7月 | — |
| 2019年8月 | — |
| 2019年9月 | — |
| 2019年10月 | — |
| 2019年11月 | — |
| 2019年12月 | — |
| 2020年1月 | — |
| 2020年2月 | — |
| 2020年3月 | — |
| 2020年4月 | — |
| 2020年5月 | — |
| 2020年6月 | — |
| 2020年7月 | — |
| 2020年8月 | — |
| 2020年9月 | — |
| 2020年10月 | — |
| 2020年11月 | — |
| 2020年12月 | — |
| 2021年1月 | — |
| 2021年2月 | — |
| 2021年3月 | — |
| 2021年4月 | — |
| 2021年5月 | — |
| 2021年6月 | — |
| 2021年7月 | — |
| 2021年8月 | — |
| 2021年9月 | — |
| 2021年10月 | — |
| 2021年11月 | — |
| 2021年12月 | — |
| 2022年1月 | — |
| 2022年2月 | — |
| 2022年3月 | — |
| 2022年4月 | — |
| 2022年5月 | — |
| 2022年6月 | — |
| 2022年7月 | — |
| 2022年8月 | 116 |
| 2022年9月 | 669 |
| 2022年10月 | 532 |
| 2022年11月 | 290 |
| 2022年12月 | 171 |
| 2023年1月 | 171 |
| 2023年2月 | 198 |
| 2023年3月 | 311 |
| 2023年4月 | 342 |
| 2023年5月 | 230 |
| 2023年6月 | 206 |
| 2023年7月 | 176 |
| 2023年8月 | 205 |
| 2023年9月 | 164 |
| 2023年10月 | 136 |
| 2023年11月 | 317 |
| 2023年12月 | 462 |
| 2024年1月 | 317 |
| 2024年2月 | 292 |
| 2024年3月 | 268 |
| 2024年4月 | 192 |
| 2024年5月 | 1,612 |
| 2024年6月 | 6,407 |
| 2024年7月 | 1,503 |
| 2024年8月 | 2,079 |
| 2024年9月 | 8,634 |
| 2024年10月 | 10,170 |
| 2024年11月 | 2,568 |
| 2024年12月 | 271 |
| 2025年1月 | 781 |
| 2025年2月 | 409 |
| 2025年3月 | 2,162 |
| 2025年4月 | 1,512 |
| 2025年5月 | 1,095 |
| 2025年6月 | 803 |
| 2025年7月 | 2,604 |
| 2025年8月 | 1,600 |
| 2025年9月 | 540 |
| 2025年10月 | 2,315 |
| 2025年11月 | 502 |
| 2025年12月 | 207 |
| 2026年1月 | 603 |
| 2026年2月 | 2,338 |
| 2026年3月 | 529 |
| 2026年4月 | 206 |
| 2026年5月 | 2,853 |
| 2026年6月 | 2,045 |
| 2026年7月 | 760 |
| 2026年8月 | 196 |
| 2026年9月 | 229 |
| 2026年10月 | 264 |
同じカテゴリで人気のリソース
JGLUEyahoojapan349JGLUE:日本語一般言語理解評価
llm-jp-evalllm-jp175このツールは、複数のデータセットを横断して日本語の大規模言語モデルを自動評価するものです.
jp-stabletree155JP言語モデル評価ハーネス
llm-lora-classificationhppRC97llm-lora-classification
llm-lora-分類
japanese-lm-fin-harnesspfnet-research80日本語言語モデルの金融評価ハーネス
llm-jp-sftllm-jp66このリポジトリには、LLM-jpモデルの教師ありファインチューニングのためのコードが含まれています。
研究分野が近いリソース
- bert-large-japanese-v2tohoku-nlp66kJapanese‑BERT‑Large は CC‑100 と Wikipedia に対して訓練され、Unidic‑lite のワードレベルトークナイゼーションを使用し、WordPiece サブワードとホールワードマスクリングを採用しています(24 層、隠れ層 1024 次元、16 ヘッド、32k 語彙)。プリトレーニングコードは cl‑tohoku/bert‑japanese にあります。HF モデル共通: 表現学習・言語モデル
- bert-base-japanese-v3tohoku-nlp66kJapanese BERT‑base(12層、768次元の隠れ層、12ヘッド、32k語彙)は、CC‑100と2023‑Jan Wikipediaで全単語マスキングを用いて事前学習され、Unidic 2.1.2の単語レベルトークナイゼーション+WordPieceを併用し、200万ステップで学習しました。HF モデル共通: 表現学習・言語モデル
bert-japanesecl-tohoku551日本語テキスト用のBERTモデル。共通: 表現学習・言語モデル
Laboro-BERT-Japaneselaboroai73ラボロBERT日本語:Webコーパスで事前学習された日本語BERT共通: 表現学習・言語モデル
language-pretrainingretarfi50日本語テキストのPyTorch実装のBERTおよびELECTRAモデル。共通: 表現学習・言語モデル
bert-japanese-aozoraakirakubo41青空文庫とウィキペディアでトレーニングされた日本語BERTで、UniDicとSudachiPyでプリトークナイズされました。共通: 表現学習・言語モデル