
用於日語語言(Hugging Face)資源的調整編碼器和編碼器-解碼器變壓器的示例 用於日語語言(Hugging Face)資源的調整編碼器和編碼器-解碼器變壓器的示例
其他語言的說明
統計
統計資料截至 2026年11月17日
GitHub Star 數
16
±0 (10月13日〜)
最後提交
2023年10月
GitHub 建立日期
2022年10月24日
收錄日
2024年9月10日
Star 數變化
以表格顯示
| 月份 | Star |
|---|---|
| 2025年12月 | 16 |
| 2026年1月 | 16 |
| 2026年2月 | 16 |
| 2026年3月 | 16 |
| 2026年4月 | 16 |
| 2026年5月 | 16 |
| 2026年6月 | 16 |
| 2026年7月 | 16 |
| 2026年8月 | 16 |
| 2026年9月 | 16 |
| 2026年10月 | 16 |
| 2026年11月 | 16 |
各月最後一次快照。1,000 以上的 Star 數以 100 為單位四捨五入。
同分類的熱門資源
namacochakki-works40基於字元的命名實體識別。
pygeonlpgeonlp-platform22pygeonlp,一個用於對日文文本進行地理標記的Python模塊。
entitypediachakki-works13Entitypedia是一個從維基百科擴展出來的命名實體詞典。
bert-japanese-ner-finetuningken1111用於BERT模型微調的代碼。這是用於創建和使用用於實體識別任務的模型的BERT模型微調示例。
noyakiken115將字符跨度標籤信息轉換為基於分詞文本的標籤信息。
bert-ner-japanesejurabiinc5BERT進行日語固有表現抽取的微調程式
研究領域相近的資源
- JMedBenchColdog23331kJMedBench 是一個日本醫學領域 LLM 基準,包含 20 個資料集,涵蓋五個任務(MCQA、NER、STS 等),資料來源於 MedMCQA、PubMedQA、MMLU 及其他,每個資料集都有自己的授權,並附有註記指出翻譯可能存在偏差,需人工審核。HF 資料集共同: 語言模型・語意文本處理
- japanese-gpt-neox-smallrinna656k一個 12 層、768 隱藏層的日本 GPT‑NeoX 模型,訓練於 CC‑100、C4 和 Wikipedia,兼容 Huggingface,並可選擇使用一個玩具前綴調優權重,使每句結尾強制出現笑臉表情符號。HF 模型共同: 語言模型・語意文本處理
- llm-jp-3-150mllm-jp75kLLM‑jp‑3‑150m — 來自日本情報學研究院 LLM 研發中心的 150M 參數日語語言模型,已以 Hugging Face Transformers 格式發佈,需安裝 torch ≥ 2.3.0、transformers ≥ 4.40.1、accelerate ≥ 0.29.3、flash‑attn ≥ 2.5.8,並以日語維基百科、Common Crawl、WARP/PDF、WARP/HTML 以及 Kaken 數據,使用 unigram byte‑fallback tokenizer 進行預訓練。HF 模型共同: 語言模型・語意文本處理
- sentence-bert-base-ja-mean-tokens-v2sonoisa53k一個日本語的 Sentence‑BERT v2,經過在 cl‑tohoku/bert‑base‑japanese‑whole‑word‑masking 上微調,並採用 MultipleNegativesRankingLoss,與 v1 相比提升了約 1.5–2 % 的準確率,並以 sonoisa/sentence‑bert‑base‑ja‑mean‑tokens‑v2 形式釋出。HF 模型共同: 語言模型・語意文本處理
- modernbert-ja-310msbintuitions36kModernBERT‑Ja‑310M 是一款日語 BERT 變體,結合了 local‑global attention 與 RoPE,已在 4.09 T 個日語/英語文本 token 上訓練,支持 102 400 個詞彙、8 192 token 序列,並被優化以配合 Flash Attention 2。HF 模型共同: 語言模型・語意文本處理
- kotoba-whisper-v2.0kotoba-tech25kKotoba‑Whisper v2.0 是一款從 OpenAI Whisper large‑v3 提煉的日語ASR模型,使用 7.2 million ReazonSpeech 片段訓練,速度比原版快 6.3×,同時在領域測試中匹配教師模型的 CER/WER,並包含 stable‑ts/punctuation 支援及完整訓練程式碼於 GitHub。HF 模型共同: 語言模型・語意文本處理