日本训练的 CrossEncoder 重新排序器,尺寸从 xsmall(384)到 large(1024),以及 BGE‑v2‑m3‑v1 模型,提供微调、推理和 JQaRA、JaCWIR、MIRACL、JSQuAD 上的基准分数示例代码。
其他语言的说明
统计
统计数据截至 2026年11月16日
Hugging Face 下载数(近 30 天)
156,000
Hugging Face 点赞数
5
收录日
2024年5月13日
下载数(近 30 天)变化
以表格显示
| 月份 | 下载(30天) |
|---|---|
| 2025年12月 | 10,000 |
| 2026年1月 | 9,000 |
| 2026年2月 | 2,000 |
| 2026年3月 | 67,000 |
| 2026年4月 | 675,000 |
| 2026年5月 | 230,000 |
| 2026年6月 | 348,000 |
| 2026年7月 | 235,000 |
| 2026年8月 | 73,000 |
| 2026年9月 | 6,000 |
| 2026年10月 | 95,000 |
| 2026年11月 | 156,000 |
各月最后一次快照时的近 30 天下载数。
同分类的热门资源
- ruri-v3-reranker-310mcl-nagoya137kRuri‑v3 Reranker 是一个基于 ModernBERT‑Ja 构建的稳健日语文本重排器,支持最高 8,192‑token 序列、100k‑token 词汇表、FlashAttention 以及 SentencePiece 分词器,并可通过 sentence‑transformers 使用。
- japanese-reranker-xsmall-v2hotchpotch28k快、轻量级的日语 Reranker v2 模型(tiny、xsmall、small、base),带有基准测试分数和 GPU 速度,可通过 sentence_transformers CrossEncoder 与 transformers ≥ v4.48 使用(可选闪存加速 flash‑attn),并且在 ONNX/量化形式下可用于 CPU/ARM。
- japanese-reranker-cross-encoder-xsmall-v1hotchpotch16k日语 CrossEncoder 再排序模型,覆盖 xsmall 到 large(含 BGE),在 JQaRA、JaCWIR、MIRACL 与 JSQuAD 上进行评估,并为 sentence_transformers 与 HuggingFace 提供即用的集成示例。
- ruri-reranker-smallcl-nagoya3k使用 Sentence Transformers(交叉编码器)构建的日语重排序模型,可通过 trust_remote_code 加载,在 JQaRA、JaCWIR 和 MIRACL 数据集上进行基准测试,并由 hotchpotch 组织提供从小到大尺寸版本。
- japanese-reranker-tiny-v2hotchpotch2k紧凑、高速的日语重排序库(v2)提供 tiny‑through‑base 和 cross‑encoder 模型,并给出详细的延迟与准确率统计,要求 Transformers ≥ 4.48(可选 Flash‑Attention 2),支持 ONNX/量化,适用于 CPU/ARM 部署。
- japanese-reranker-small-v2hotchpotch2kJapanese‑reranker‑small‑v2 是一系列轻量级、快速的日语重排序模型(v2),提供从极小到基础的变体,最高可达 0.89 的平均分,GPU 推理时间为 2–15 秒,支持交叉编码器选项,并需要 Hugging Face Transformers v4.48+,可选 Flash Attention 2 进行加速。
研究领域相近的资源
- Llama-3.1-Swallow-8B-Instruct-v0.3tokyotech-llm5kLlama 3.1 Swallow 是一系列日语增强的 8B/70B Llama 3.1 模型,通过持续预训练和日语特定指令微调训练,最新的 8B‑Instruct‑v0.3 在日语 MT‑Bench 上取得了最先进的结果。共同: 语言模型
- Llama-3-ELYZA-JP-8Belyza4kLlama‑3‑ELYZA‑JP‑8B 是由 ELYZA 开发的、经过日语增强的 80 亿参数 Llama 3 模型,在 Meta‑Llama‑3‑8B‑Instruct 上针对日语微调。共同: 语言模型
swallow-evaluation-instructswallow-llm34燕子项目 后续学习完成的大规模语言模型 评估框架GitHub共同: 语言模型
pretrained_doc2vec_jayagays25预训练的doc2vec模型在日语维基百科上GitHub共同: 语言模型
pl-bert-jakyamauchi102324一个日语音素级别的BERT存储库GitHub共同: 语言模型
heron-vlm-leaderboardwandb6这个项目是一个基准工具,用于评估和比较各种视觉语言模型(VLMs)的性能。它使用两个数据集:LLaVA-Bench-In-the-Wild和日本HERON Bench来衡量模型的性能。GitHub共同: 语言模型