
使用翻译成日语的Stanford Alpaca数据集对LLaMA进行微调,创建了Low-Rank Adapter,并提供了链接和生成示例代码。
其他语言的说明
统计
统计数据截至 2026年11月17日
GitHub Star 数
141
±0 (10月13日〜)
最后提交
2023年4月
GitHub 创建日期
2023年3月22日
收录日
2023年3月27日
Star 数变化
以表格显示
| 月份 | Star |
|---|---|
| 2025年12月 | 141 |
| 2026年1月 | 141 |
| 2026年2月 | 141 |
| 2026年3月 | 141 |
| 2026年4月 | 141 |
| 2026年5月 | 141 |
| 2026年6月 | 141 |
| 2026年7月 | 141 |
| 2026年8月 | 141 |
| 2026年9月 | 141 |
| 2026年10月 | 141 |
| 2026年11月 | 141 |
各月最后一次快照。1,000 以上的 Star 数按 100 取整。
同分类的热门资源
lukestudio-ousia727LUKE -- 基于知识嵌入的语言理解
bert-japanesecl-tohoku551用于日语文本的BERT模型。
bert-japaneseyoheikikuta497使用SentencePiece的BERT模型用于日语文本。
gpt2-japanesetanreinama322日本GPT2生成模型
japanese-dialog-transformersnttcslab247NTT有提供用于评估日语预训练模型的代码。
DistilBERT-base-jpBandaiNamcoResearchInc161一个在维基百科上训练的日本DistilBERT预训练模型。
研究领域相近的资源
- deberta-v2-base-japanese-char-wwmku-nlp24k一款日本DeBERTa‑V2基础模型,已在171 GB的日本维基百科、CC‑100和OSCAR文本上预训练,使用字符级分词、全词掩码,训练耗时20天,使用8块A100 GPU,并已准备好进行下游微调。HF 模型共同: 语言模型・表示学习
- modernbert-ja-30msbintuitions3kModernBERT‑Ja‑30M 是一种日语 BERT 变体,融合了本地和全局注意力与 RoPE,训练于 4.39 TB 日英文本,支持 8,192 令牌序列,参数规模从 30 M 到 130 M,最佳搭配 Flash Attention 2。HF 模型共同: 语言模型・表示学习
- modernbert-ja-70msbintuitions2kModernBERT‑Ja‑70M 是一种轻量级的日语 BERT 变体,结合本地和全局注意力与 RoPE,在 4.39 T 的混合语言词元(词表 102 400,最大 8 192 个词元)上训练,支持 Flash Attention 2,并提供 30 M 到 310 M 参数的多种尺寸。HF 模型共同: 语言模型・表示学习
- bert-large-japanese-v2tohoku-nlp66kJapanese‑BERT‑Large 在 CC‑100 和 Wikipedia 上训练,使用 Unidic‑lite 单词级标记化配合 WordPiece 子词和全词掩码(24 层,1024 维隐藏层,16 头,32k 词表),预训练代码在 cl‑tohoku/bert‑japanese。HF 模型共同: 表示学习・语言模型
- bert-base-japanese-v3tohoku-nlp66kJapanese BERT‑base(12层,768维隐藏层,12头,32 k词汇表)在 CC‑100 和 2023‑Jan Wikipedia 上使用全词遮蔽预训练,采用 Unidic 2.1.2 词级分词加 WordPiece,训练 200 万步。HF 模型共同: 表示学习・语言模型
Laboro-BERT-Japaneselaboroai73劳动BERT日语:使用Web语料库预训练的日语BERT共同: 表示学习・语言模型