日本語Sentence‑LUKEモデルは、Sentence‑BERTと同じデータセットで訓練され、同等にするかそれを上回る性能を有し、studio‑ousia/luke‑japanese‑base‑lite をベースに構築され、Hugging Face Transformers の MLukeTokenizer と LukeModel を介して使用される。
他の言語の説明
統計
2026年11月16日時点の統計
Hugging Face のダウンロード数(直近30日)
10,000
Hugging Face の Like 数
14
掲載日
—
ページ作成時から掲載
ダウンロード数(直近30日)の推移
数値を表で見る
| 月 | DL(30日) |
|---|---|
| 2025年12月 | 3,000 |
| 2026年1月 | 4,000 |
| 2026年2月 | 9,000 |
| 2026年3月 | 6,000 |
| 2026年4月 | 3,000 |
| 2026年5月 | 30,000 |
| 2026年6月 | 9,000 |
| 2026年7月 | 5,000 |
| 2026年8月 | 6,000 |
| 2026年9月 | 4,000 |
| 2026年10月 | 11,000 |
| 2026年11月 | 10,000 |
各月の最後のスナップショットにおける、直近30日間のダウンロード数です。
同じカテゴリで人気のリソース
- sentence-bert-base-ja-mean-tokens-v2sonoisa53k日本語 Sentence‑BERT v2 は、cl‑tohoku/bert‑base‑japanese‑whole‑word‑masking を MultipleNegativesRankingLoss でファインチューニングし、v1 に比べて約1.5〜2 % の精度向上を実現。sonoisa/sentence‑bert‑base‑ja‑mean‑tokens‑v2 としてリリースされました。
- clip-japanese-baseline-corporation34kLY Corporation の clip‑japanese‑base は、約 1 B の画像‑テキストペアで学習された日本語 CLIP モデルで、Eva02‑B トランスフォーマー画像エンコーダーと12層の BERT テキストエンコーダーを使用し、STAIR で R@1 0.30、Recruit で 0.89 の精度、ImageNet‑1K で 0.58 の精度を達成し、ゼロショット画像分類と検索をサポートしています。
- transformers-ud-japanese-electra-base-ginza-510megagonlabs22kja_ginza_electra は、mC4 と UD_Japanese_BCCWJ r2.8(megagonlabs/transformers‑ud‑japanese‑electra‑base‑discrimininator をベースにしたもの)でファインチューニングされた日本語 ELECTRA モデルを提供する spaCy v3 の Python パッケージです。カスタム bunsetu‑phrase 検出機能を備え、MIT ライセンスで配布されています。
- sentence-bert-base-ja-mean-tokenssonoisa14k文埋め込みを生成するJapanese Sentence‑BERT (v1) モデルで、改良版v2が利用可能で、Hugging Face Transformers とカスタム SentenceBertJapanese クラスを使用したサンプル使用例があります。
- clip-japanese-base-v2line-corporation2kJapanese CLIP モデル clip‑japanese‑base‑v2 は、約20億画像‑テキストペアと蒸留でアップグレードされ、Eva02‑B 画像エンコーダと12層 BERT テキストエンコーダをペアリングし、前モデルよりも高い ImageNet‑1k 精度(0.708)を達成します。
- sup-simcse-ja-basecl-nagoya2k日本語 BERT‑base モデルを JSNLI 上で教師付き SimCSE によってファインチューニングし、Sentence‑Transformers または HuggingFace を通じて CLS プーリングで公開、512 バッチサイズで 1 M のサンプルを用いて学習率 5 × 10⁻⁵、温度 5 × 10⁻⁵、64 タークン制限、BFloat16 精度でトレーニング。
研究分野が近いリソース
- deberta-v2-tiny-japaneseku-nlp14kJapanese DeBERTa V2 tinyは、約171 GBの日本語Wikipedia、CC‑100、およびOSCARコーパスで事前学習され、Juman++による形態素解析が必要です。8台のNVIDIA A100 GPUを使用して33時間で訓練され、下流タスクに微調整できます。共通: 統語的テキスト処理・言語モデル
- ELYZA-japanese-Llama-2-7b-instructelyza3kELYZA‑japanese‑Llama‑2‑7b は、Meta の Llama‑2 モデルの 6.27B パラメータ拡張で、インストラクトとファストバリアントで日本語データ上で事前学習され、Hugging Face Transformers を通じて利用できるものです。共通: 統語的テキスト処理・言語モデル
kanji-flashcard-app-gpt4adilmoujahid5PythonとLangchainを使用して構築された日本語漢字フラッシュカードアプリで、GPT-4の知能が強化されています。GitHub共通: 統語的テキスト処理・言語モデル
rinna_gpt-neox_ggml-lorayukaryavka19このリポジトリには、"rinna/japanese-gpt-neox..." [gpt-neox] モデルをggmlに変換した場合に、Alpaca-LoraアダプターをLoRAチューニングに適応させるために修正されたスクリプトとマージスクリプトが含まれています。GitHub共通: 統語的テキスト処理・言語モデル
aMLP-japanesetanreinama16日本語用のaMLPトランスフォーマーモデルGitHub共通: 統語的テキスト処理・言語モデル- japanese-reranker-cross-encoder-small-v1hotchpotch156k日本語でトレーニングされた CrossEncoder リランクラーは xsmall (384) から large (1024) まであり、さらに BGE‑v2‑m3‑v1 モデルも含まれます。ファインチューニング、推論、JQaRA、JaCWIR、MIRACL、JSQuAD のベンチマークスコアの例コードが付属しています。共通: 言語モデル