Sarashina2.2 提供 0.5‑B、1‑B、和 3‑B 的語言模型,這些模型由 SB Intuitions 透過三階段流程及合成資料進行訓練,達成優異的日文 QA、數學及編碼分數,同時提供未經指令微調的預訓練權重,可能產生有偏差的輸出。
其他語言的說明
統計
統計資料截至 2026年11月16日
Hugging Face 下載數(近 30 天)
1,000
Hugging Face 按讚數
16
收錄日
2025年12月15日
下載數(近 30 天)變化
以表格顯示
| 月份 | 下載(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 |
各月最後一次快照時的近 30 天下載數。
同分類的熱門資源
- sarashina2.2-3bsbintuitions2k一款以日語為重點的 3 十億參數 LLM,名為 Sarashina2.2‑3B,在三個階段訓練(包括合成的數學/程式碼資料和在小型應用資料上的微調)後,其在日語 QA、數學與程式碼基準測試中表現優於更大型模型,但缺乏指令微調,且可能產生偏見或不合理輸出。
- bert-base-japanese-char-v3tohoku-nlp130kJapanese‑language BERT‑Base(12層,768‑次元,12頭)以 Unidic 為基礎的單詞層級加字符層級標記化以及整詞遮蔽,在 CC‑100 和 2023 Wikipedia 上進行預訓練,產生了 7,027‑token 詞彙。
- bert-large-japanese-v2tohoku-nlp66kJapanese‑BERT‑Large 在 CC‑100 和 Wikipedia 上訓練,使用 Unidic‑lite 詞級分詞,結合 WordPiece 子詞與全詞遮蔽,模型為 24 層、1024 維隱藏、16 頭、32k 詞表;預訓練程式碼位於 cl‑tohoku/bert‑japanese。
- bert-base-japanese-v3tohoku-nlp66kJapanese BERT‑base (12 層, 768‑維度隱藏, 12 頭, 32k 詞彙) 以完整詞遮蔽在 CC‑100 與 2023‑Jan Wikipedia 上預訓練,使用 Unidic 2.1.2 詞級分詞加 WordPiece,訓練 200 萬步。
- kana-whispersbintuitions42k一個經過微調的 Whisper large-v3-turbo 模型,能將日語語音轉錄成片假名,作為 Sarashina2.2-TTS 專案內 Joyo Kanji Yomi Benchmark 的 ASR 組件,同時驅動 Kana CER Usage With Transformers 管道。
- t5-base-japanese-v1.1sonoisa17k一個以約 100 GB 的 Wikipedia 與 OSCAR CC‑100 數據(混合 10:1、Byte‑fallback 的 SentencePiece)預訓練的日本 T5‑v1.1 模型,需對下游任務進行微調,包含遷移學習範例程式碼,提示輸出可能存在偏差,且採用 CC‑BY‑SA 4.0 授權。
研究領域相近的資源
japanese-nli-modelCyberAgentAILab6這個存儲庫提供了日語NLI模型的代碼,一個經過微調的遮蔽語言模型。GitHub共同: 問答與推理
jrte-corpus_examplemegagonlabs3日本寫實文本蘊含語料庫的範例代碼GitHub共同: 問答與推理- JCommonsenseQAsbintuitions1kJCommonsenseQA 是一個日語多選題常識推理資料集——CommonsenseQA 的改編版——授權為 CC BY‑SA 4.0,並以 doi:10.5715/jnlp.30.63 引用。HF 資料集共同: 問答與推理
- embhpprc1k日語及多語系 QA、NLI 與同義句資料集的目錄,說明各資料集的檢索或 QA 任務以及其授權規範(Apache 2.0、CC‑BY‑SA/CC‑BY、MIT 等)。HF 資料集共同: 問答與推理
- JaQuADSkelterLabsInc916JaQuAD 是 2022 年的日本 QA 資料集,包含 39,696 對 SQuAD‑style 抽取式問答對,來源於 Wikipedia,總量 73.2 MB,當使用 BERT‑Japanese 微調時,F1 分數達 78.92 %(EM 63.38 %)。HF 資料集共同: 問答與推理