一個 BERT‑base 日語模型(12 層,768‑維隱藏,12 頭),在約 1700 萬句來自日語維基百科(2.6 GB)的資料上進行預訓練,使用 MeCab IPA 單詞級分詞,隨後進行字符級分詞,建立一個 4000 單詞詞彙表。訓練程式碼位於 cl‑tohoku/bert‑japanese,並以 CC BY‑SA 3.0 釋出。
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)
11,000
Hugging Face 按讚數
8
收錄日
2024年5月13日
下載數(近 30 天)變化
以表格顯示
| 月份 | 下載(30天) |
|---|---|
| 2025年12月 | 107,000 |
| 2026年1月 | 95,000 |
| 2026年2月 | 96,000 |
| 2026年3月 | 95,000 |
| 2026年4月 | 117,000 |
| 2026年5月 | 115,000 |
| 2026年6月 | 17,000 |
| 2026年7月 | 13,000 |
| 2026年8月 | 14,000 |
| 2026年9月 | 10,000 |
| 2026年10月 | 9,000 |
| 2026年11月 | 11,000 |
各月最後一次快照時的近 30 天下載數。
同分類的熱門資源
- bert-base-japanese-whole-word-maskingtohoku-nlp462kJapanese BERT‑base 預訓練於 2019 年日本維基百科,使用 IPA 字典與整詞掩碼,12 層、768 維,32,000 詞表,512 令牌序列,1 百萬步;可於 cl‑tohoku/bert‑japanese 在 CC‑BY‑SA 條款下取得。
- deberta-v2-large-japanese-char-wwmku-nlp76kJapanese DeBERTa V2 大型模型已在 171 GB 的日語維基百科、CC‑100、與 OSCAR 上訓練,採用字符級 sentencepiece tokenization 與 whole‑word masking,已準備好通過 Hugging Face Transformers 進行下游微調。
- bert-base-japanese-char-v2tohoku-nlp55k一個 BERT‑base 日語模型(12 層,768 維隱藏狀態,12 頭)在 30 M 句子(約 4 GB)上訓練,使用 Unidic 2.1.2 詞級分詞,隨後進行字級分詞和整詞遮蔽,使用 512 令牌序列、256 批次及 1 M 訓練步驟。
- 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。
- deberta-v2-base-japanese-char-wwmku-nlp24k一個以 171 GB 日本維基百科、CC‑100 與 OSCAR 文本預訓練的日語 DeBERTa‑V2 基礎模型,採用字元級分詞、全詞遮罩模式,已在 8 台 A100 GPU 上訓練 20 天,並準備好進行下游微調。
- deberta-v2-base-japaneseku-nlp24k日文 DeBERTa V2 基礎模型,已在 171 GB 日文維基百科、CC‑100 與 OSCAR 資料上使用 Juman++ 斷詞與 SentencePiece Tokenization 進行預訓練,訓練時間三週,使用八台 NVIDIA A100 GPU,已準備好進行微調。
研究領域相近的資源
- 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。共同: 表示學習・句法文本處理
- bert-base-japanese-v2tohoku-nlp9kJapanese BERT‑base (12 層, 768 hidden, 12 heads) 以 4 GB 的日本 Wikipedia(約 30 M 句)為預訓練資料,使用 Unidic 2.1.2 文字級別分詞、WordPiece 子分詞,與整詞掩碼。共同: 表示學習・句法文本處理
- bert-base-japanesetohoku-nlp9k一個基於 BERT base 的模型,預訓練於約 17 M 日文 Wikipedia 句子(2.6 GB),採用 IPA dictionary 與 WordPiece 進行 tokenization,擁有 12 layers/768‑dim hidden states/12 heads,32 000‑token 詞彙表,於 Cloud TPUs 上訓練 1 M steps,並以 CC‑BY‑SA 3.0 發布。共同: 表示學習・句法文本處理
- japanese-roberta-baserinna9kJapanese‑Roberta‑Base 是由 rinna Co., Ltd. 推出的預訓練遮罩語言模型,含正確載入、token 預處理、position‑id 處理的指引,以及強調需放置於首位的 [CLS] token 和一致 tokenization 的使用範例。共同: 句法文本處理・文本切分
gector-jajonnyli112520基於BERT的日語GEC標記GitHub共同: 表示學習・句法文本處理- 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。共同: 表示學習・語言模型