Japanese Sentence‑LUKE 模型在与 Sentence‑BERT 同一数据集上训练,表现超过或匹配其性能,基于 studio‑ousia/luke‑japanese‑base‑lite 构建,并通过 Hugging Face Transformers 的 MLukeTokenizer 与 LukeModel 进行使用。
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)
10,000
Hugging Face 点赞数
14
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 | 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 |
各月最后一次快照时的近 30 天下载数。
同分类的热门资源
- sentence-bert-base-ja-mean-tokens-v2sonoisa53k一款在 cl‑tohoku/bert‑base‑japanese‑whole‑word‑masking 上使用 MultipleNegativesRankingLoss 细调的 Japanese Sentence‑BERT v2,较 v1 提升了约 1.5–2 %的准确率,并以 sonoisa/sentence‑bert‑base‑ja‑mean‑tokens‑v2 发布。
- clip-japanese-baseline-corporation34kLY Corporation的clip‑japanese‑base 是一个日语 CLIP 模型,在约10亿对图像‑文本对上训练,使用 Eva02‑B transformer 图像编码器和 12 层 BERT 文本编码器,在 STAIR 上实现 R@1 0.30,在 Recruit 上得到 0.89 的准确率,在 ImageNet‑1K 上得到 0.58 的准确率,并支持 zero‑shot 图像分类和检索。
- transformers-ud-japanese-electra-base-ginza-510megagonlabs22kja_ginza_electra 是一个 spaCy v3 Python 包,提供一个在 mC4 和 UD_Japanese_BCCWJ r2.8(基于 megagonlabs/transformers‑ud‑japanese‑electra‑base‑discrimininator)上微调的日语 ELECTRA 模型,并配有自定义 bunsetu‑phrase 检测功能,按 MIT license 分发。
- sentence-bert-base-ja-mean-tokenssonoisa14k用于生成句子嵌入的 Japanese Sentence‑BERT (v1) 模型,已提供改进版 v2,并通过 Hugging Face Transformers 以及自定义的 SentenceBertJapanese 类进行示例使用。
- clip-japanese-base-v2line-corporation2k日本CLIP模型 clip‑japanese‑base‑v2,升级后约20亿图像‑文本对并采用蒸馏,配合 Eva02‑B 图像编码器和 12 层 BERT 文本编码器,将 ImageNet‑1k 准确率提升至 0.708,超过前代模型。
- sup-simcse-ja-basecl-nagoya2k一个日语 BERT‑base 模型,在 JSNLI 上使用有监督 SimCSE 进行微调,通过 Sentence‑Transformers 或 HuggingFace 提供,采用 CLS 池化。在 1M 个样本上训练,批量大小为 512,学习率为 5×10⁻⁵,温度为 5×10⁻⁵,64 令牌限制,采用 BFloat16 精度。
研究领域相近的资源
- deberta-v2-tiny-japaneseku-nlp14kJapanese DeBERTa V2 tiny,在约171 GB的日本维基百科、CC‑100 与 OSCAR 语料库上预训练,需使用 Juman++ 词分割,训练耗时 33 小时,使用8块 NVIDIA A100 GPU,并可用于下游任务的微调。共同: 句法文本处理・语言模型
- ELYZA-japanese-Llama-2-7b-instructelyza3kELYZA‑japanese‑Llama‑2‑7b 是 Meta 的 Llama‑2 模型的 6.27 B 参数扩展版,已在包含 instruct 和 fast 变体的日语数据上预训练,可通过 Hugging Face Transformers 使用。共同: 句法文本处理・语言模型
kanji-flashcard-app-gpt4adilmoujahid5一个使用Python和Langchain构建的日语汉字闪卡应用,结合了GPT-4的智能功能。GitHub共同: 句法文本处理・语言模型
rinna_gpt-neox_ggml-lorayukaryavka19该存储库包含已修改的脚本和合并脚本,用于适应Alpaca-Lora适配器的LoRA调谐,假设使用转换为ggml的"gpt-neox"模型的"rinna/japanese-gpt-neox..."。
该存储库包含已修改的脚本和合并脚本,用于适应Alpaca-Lora适配器的LoRA调谐,假设使用转换为ggml的"gpt-neox"模型的"rinna/japanese-gpt-neox..."。GitHub共同: 句法文本处理・语言模型
aMLP-japanesetanreinama16用于日语的aMLP Transformer模型GitHub共同: 句法文本处理・语言模型- japanese-reranker-cross-encoder-small-v1hotchpotch156k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。共同: 语言模型