Sarashina2.2 提供 0.5‑B、1‑B 和 3‑B 语言模型, 这些模型由 SB Intuitions 通过三阶段流水线和合成数据训练,达到了日本 QA、数学和编码的顶级成绩,同时提供的预训练权重未进行指令微调,可能产生偏见输出。
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)
1,000
Hugging Face 点赞数
16
收录日
2025年12月15日
下载数(近 30 天)变化
以表格显示
| 月份 | 下载(30天) |
|---|---|
| 2025年12月 | 37,000 |
| 2026年1月 | — |
| 2026年2月 | — |
| 2026年3月 | — |
| 2026年4月 | 1,000 |
| 2026年5月 | 1,000 |
| 2026年6月 | 3,000 |
| 2026年7月 | 2,000 |
| 2026年8月 | 1,000 |
| 2026年9月 | 2,000 |
| 2026年10月 | 4,000 |
| 2026年11月 | 1,000 |
各月最后一次快照时的近 30 天下载数。
同分类的热门资源
- sarashina2.2-3bsbintuitions2k一款3 十亿参数、面向日语的LLM,Sarashina2.2‑3B,在三个阶段训练(包括合成数学/编码数据和在小型应用数据上的微调)后,在日语问答、数学与编码基准上优于更大模型,但缺乏指令调优,并可能产生偏见或无意义的输出。
- bert-base-japanese-char-v3tohoku-nlp130k日本语言 BERT‑Base(12 层,768 维,12 头)使用 Unidic 基于词级加字符级分词和全词掩码在 CC‑100 及 2023 Wikipedia 上进行预训练,产生 7,027 名词表。
- 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。
- 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。
- kana-whispersbintuitions42k一个经过微调的 Whisper large‑v3‑turbo 模型,用于将日语语音转录为片假名,作为 Sarashina2.2‑TTS 项目中 Joyo Kanji Yomi Benchmark 的 ASR 组件,并驱动 Kana CER Usage With Transformers 管道。
- t5-base-japanese-v1.1sonoisa17k一个预训练在≈100 GB的维基百科和 OS CC‑100 数据(SentencePiece 采用 10:1 混合且带 byte‑fallback)的日文 T5‑v1.1 模型,需要微调以适用于下游任务,包含迁移学习示例代码,指出输出中的潜在偏差,并遵循 CC‑BY‑SA 4.0 许可。
研究领域相近的资源
japanese-nli-modelCyberAgentAILab6这个代码库提供了日语NLI模型的代码,这是一个经过微调的掩码语言模型。GitHub共同: 问答与推理
jrte-corpus_examplemegagonlabs3日本现实文本蕴含语料库的示例代码GitHub共同: 问答与推理- JCommonsenseQAsbintuitions1kJCommonsenseQA 是一份日语的多项选择常识推理数据集——CommonsenseQA 的改编版本——其授权为 CC BY‑SA 4.0,并以 doi:10.5715/jnlp.30.63 引用。HF 数据集共同: 问答与推理
- embhpprc1k一份日语和多语种 QA、NLI 与同义句重述数据集的目录,详细说明每个数据集的检索或问答任务及其许可(Apache 2.0、CC‑BY‑SA/CC‑BY、MIT 等)。HF 数据集共同: 问答与推理
- JaQuADSkelterLabsInc916JaQuAD 是 2022 年的日语 QA 数据集,包含 39,696 对 SQuAD‑style 的抽取式问题‑答案对,取自 Wikipedia,文件总大小 73.2 MB。使用 BERT‑Japanese 微调时,获得 78.92 % F1(63.38 % EM)。HF 数据集共同: 问答与推理