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。
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)
24,000
Hugging Face 点赞数
1
收录日
—
自页面创建时收录
下载数(近 30 天)变化
以表格显示
| 月份 | 下载(30天) |
|---|---|
| 2025年12月 | — |
| 2026年1月 | — |
| 2026年2月 | — |
| 2026年3月 | — |
| 2026年4月 | 5,000 |
| 2026年5月 | 2,000 |
| 2026年6月 | 3,000 |
| 2026年7月 | 7,000 |
| 2026年8月 | 5,000 |
| 2026年9月 | 7,000 |
| 2026年10月 | 13,000 |
| 2026年11月 | 24,000 |
各月最后一次快照时的近 30 天下载数。
同分类的热门资源
- bert-base-japanese-whole-word-maskingtohoku-nlp462kJapanese BERT‑base 在 2019 年日本维基百科上预训练,使用 IPA‑dictionary 与全词掩码,12 层 768 维,32,000 词表,512 标记序列,1 M 步骤,可在 cl‑tohoku/bert‑japanese 获取,遵循 CC‑BY‑SA 许可。
- deberta-v2-large-japanese-char-wwmku-nlp76k日语 DeBERTa V2 大型模型,已在 171 GB 的日语 Wikipedia、CC‑100 与 OSCAR 上训练,使用字符级 SentencePiece 分词和全词掩码,已准备好通过 Hugging Face Transformers 进行下游微调。
- bert-base-japanese-char-v2tohoku-nlp55k一个 BERT‑base 日语模型(12 层,768-维隐藏状态,12 头),在 3000 万条维基百科句子(约 4 GB)上训练,使用 Unidic 2.1.2 词级分词,随后进行字符级分词和全词掩码,使用 512 令牌序列,256 批次,以及 1 M 训练步骤。
- modernbert-ja-310msbintuitions36kModernBERT‑Ja‑310M 是一种日语 BERT 变体,融合了局部-全局注意力和 RoPE,训练于 4.09 T 日语/英语文本,支持 102 400 词汇量、8 192 令牌序列,并针对 Flash Attention 2 进行了优化。
- deberta-v2-base-japaneseku-nlp24kJapanese DeBERTa V2 基础模型已在 171 GB 的日语维基百科、CC‑100 和 OSCAR 数据上预训练,使用 Juman++ 分词和 SentencePiece 标记化,经过三周在八块 NVIDIA A100 GPU 上训练,现已准备好用于微调。
- line-distilbert-base-japaneseline-corporation14kLINE DistilBERT Japanese 是一个 6600 万参数的 DistilBERT 模型,已在 131 GB 的日语网页文本上使用内部 BERT‑base 教师进行预训练,评估基准为 JGLUE,采用 MeCab Unidic 与 SentencePiece 进行分词,并以 Apache 2.0 许可证发布。
研究领域相近的资源
Japanese-Alpaca-LoRAkunishou141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。GitHub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。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。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。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。共同: 表示学习・语言模型
bert-japanesecl-tohoku551用于日语文本的BERT模型。GitHub共同: 表示学习・语言模型