Japanese Sentence‑LUKE 模型在與 Sentence‑BERT 相同的資料集上進行訓練,表現優於或相當於 Sentence‑BERT,基於 studio‑ousia/luke‑japanese‑base‑lite 建立,並透過 Hugging Face Transformers 的 MLukeTokenizer 與 LukeModel 使用。
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)
10,000
Hugging Face 按讚數
14
收錄日
—
自頁面建立時收錄
下載數(近 30 天)變化
以表格顯示
| 月份 | 下載(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 |
各月最後一次快照時的近 30 天下載數。
同分類的熱門資源
- 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。
- clip-japanese-baseline-corporation34kLY Corporation 的 clip‑japanese‑base 是一個訓練於約 1 B 影像‑文字配對的日文 CLIP 模型,使用 Eva02‑B Transformer 影像編碼器並配備 12 層 BERT 文字編碼器,於 STAIR 的 R@1 成績為 0.30,於 Recruit 的準確度為 0.89,以及於 ImageNet‑1K 的準確度為 0.58,並支援零樣本影像分類與檢索。
- transformers-ud-japanese-electra-base-ginza-510megagonlabs22kja_ginza_electra 是一個 spaCy v3 Python 套件,提供已在 mC4 和 UD_Japanese_BCCWJ r2.8 上微調的日語 ELECTRA 模型(基於 megagonlabs/transformers‑ud‑japanese‑electra‑base‑discrimininator),並具備自訂 bunsetu‑phrase detection,依照 MIT license 發佈。
- sentence-bert-base-ja-mean-tokenssonoisa14kJapanese Sentence‑BERT (v1) 模型,用於生成句子嵌入,並提供改進版 v2,並可透過 Hugging Face Transformers 與自訂的 SentenceBertJapanese 類別示範使用。
- clip-japanese-base-v2line-corporation2kJapanese CLIP 模型 clip‑japanese‑base‑v2,升級至約 2 B 影像‑文字配對並 distillation,將 Eva02‑B 影像編碼器與 12 層 BERT 文本編碼器結合,以達到比其前身更高的 ImageNet‑1k 準確度 (0.708)。
- sup-simcse-ja-basecl-nagoya2k一款在 JSNLI 上使用監督式 SimCSE 微調的日語 BERT‑base 模型,透過 Sentence‑Transformers 或 HuggingFace 以 CLS pooling 方式公開,訓練於 1 M 範例,batch size 512,學習率 5 × 10⁻⁵,溫度 5 × 10⁻⁵,64‑token 限制,以及 BFloat16 精度。
研究領域相近的資源
- deberta-v2-tiny-japaneseku-nlp14kJapanese DeBERTa V2 tiny,預訓練於約 171 GB 的日語 Wikipedia、CC‑100 與 OSCAR 資料庫,需要 Juman++ 詞彙分割,已在 8 顆 NVIDIA A100 GPU 上訓練 33 小時,可進一步微調以應用於下游任務。共同: 句法文本處理・語言模型
- ELYZA-japanese-Llama-2-7b-instructelyza3kELYZA‑japanese‑Llama‑2‑7b 是 Meta 的 Llama‑2 模型的 6.27‑B 參數擴充,已在包含 instruct 與 fast 變體的日文資料上進行預訓練,可透過 Hugging Face Transformers 使用。共同: 句法文本處理・語言模型
kanji-flashcard-app-gpt4adilmoujahid5一個使用Python和Langchain構建的日語漢字閃卡應用程序,並搭載了GPT-4的智能增強功能。GitHub共同: 句法文本處理・語言模型
rinna_gpt-neox_ggml-lorayukaryavka19該存儲庫包含已修改的腳本和合併腳本,用於將Alpaca-Lora適配器調整為支持LoRA調諧,假設使用了“rinna/japanese-gpt-neox...” [gpt-neox]模型轉換為ggml。GitHub共同: 句法文本處理・語言模型
aMLP-japanesetanreinama16日本語的aMLP Transformer模型GitHub共同: 句法文本處理・語言模型- japanese-reranker-cross-encoder-small-v1hotchpotch156k以日語訓練的 CrossEncoder 重新排序模型,規模從 xsmall(384)到 large(1024),並包含 BGE‑v2‑m3‑v1 模型,附有微調、推理的範例程式碼,以及在 JQaRA、JaCWIR、MIRACL 與 JSQuAD 上的基準分數。共同: 語言模型