Nanbeige4-3B-Thinkingは第4世代のNanbeige大規模言語モデルファミリーの30億パラメータの推論モデルで、データ品質とトレーニング方法の向上により、高度な推論能力を実現しています。このモデルは数学、科学、創造的な文章作成、ツールの使用などの複数の分野で優れた性能を発揮し、多段階のコース学習と強化学習トレーニングをサポートしています。

自然言語処理Transformers多言語

Olmo-3-7B-Think-SFTはAllen Institute for AIが開発した7Bパラメータの言語モデルで、長い連鎖的な思考能力を持ち、数学やコーディングなどの推論タスクで優れた性能を発揮します。このモデルはDolma 3データセットで事前学習され、Dolciデータセットで後続の学習が行われています。

自然言語処理Transformers英語

Apertusは、パラメータ規模が70Bと8Bの完全オープンな多言語言語モデルで、1000種以上の言語と長文脈をサポートし、完全にコンプライアンスが取れたオープンな学習データのみを使用し、性能はクローズドソースで学習されたモデルと匹敵します。

自然言語処理Transformersその他

ApertusはスイスのAIによって開発された完全にオープンな多言語大規模言語モデルで、70億と80億の2種類のパラメータ規模を提供します。このモデルは1000種類以上の言語をサポートし、完全にコンプライアンスでオープンな学習データを使用し、その性能はクローズドソースモデルに匹敵します。Apertusは15Tのトークンで事前学習され、段階的なコース学習方法を採用し、最大65,536トークンのコンテキスト長をサポートします。

自然言語処理Transformersその他

ApertusはスイスのAIによって開発された完全にオープンな多言語大規模言語モデルで、パラメータ規模は80億と700億で、1000種以上の言語と長文脈処理をサポートし、完全にコンプライアンスの取れたオープンな学習データのみを使用し、性能はクローズドソースモデルに匹敵します。

自然言語処理Transformersその他

Lightning-4bは、ローカルデバイスのデータ分析タスク用に設計・学習された言語モデルで、16GBメモリのノートパソコンでもスムーズに動作し、データを大規模言語モデルプロバイダーに送信する必要がなく、データのプライバシーとセキュリティを確保します。

自然言語処理Transformers英語

LLaDA-MoEは拡散原理に基づいて構築された新しい混合専門家言語モデルで、最初のオープンソースのMoE拡散大規模言語モデルです。約20兆個のトークンで最初から事前学習され、総パラメータは70億で、推論時には14億のパラメータのみがアクティブ化されます。コード生成や数学的推論などのタスクで卓越した性能を発揮します。

自然言語処理Transformers

MiMoは、小米が推論タスク用に最初から訓練した大規模言語モデルシリーズです。事前学習と事後学習の戦略を最適化することで、数学とコードの推論タスクで卓越した性能を発揮します。プロジェクトでは、7Bパラメータ規模の複数のバージョンがオープンソース化されており、基礎モデル、SFTモデル、RLモデルが含まれます。

自然言語処理Transformers

Datarus-R1-14B-Previewは、140億パラメータに基づくオープンソースの言語モデルで、Qwen2.5 - 14B - Instructをベースに微調整されています。このモデルは、仮想データアナリストと大学院生レベルの問題解決者として特別に設計されており、推論ステップ、コード実行、エラー追跡、および最終結論を含む完全な分析軌跡から学習することができます。

自然言語処理Transformers英語

LoggenixMoE133Mは、軽量な混合専門家（MoE）因果言語モデルで、総パラメータ数は133M、アクティブなパラメータ数は80Mです。このモデルは、根本原因分析、コード生成、推論タスクを含むカスタムデータセットでゼロから学習され、エージェント能力の特殊なトークンをサポートし、エッジデバイスへのデプロイと専門的なAIエージェントの構築に適しています。

自然言語処理Transformers

BulkRNABertは、Transformerアーキテクチャに基づくエンコーダのみの言語モデルで、大量のRNAシーケンシングデータを処理するために特別に設計されています。このモデルは、自己教師付きのマスク言語モデリング手法を採用し、TCGAデータセットのRNA-seqマップで事前学習されており、遺伝子のゲノムコンテキストからランダムにマスクされた遺伝子発現値を再構築し、生物学的に意味のある転写体表現を学習することができます。

科学計算Transformers

フィンランド現代BERTは、現代BERTアーキテクチャに基づく多言語エンコーダーモデルで、フィンランド語、スウェーデン語、英語、コード、ラテン語、北サーミ語で事前学習されています。このモデルは4000億個のトークンで学習され、最大128,000個のトークンの文脈長をサポートし、フィンランドの公用語と長文書のシナリオを処理するために設計されています。

自然言語処理Transformers多言語

T5GemmaはGoogleが開発した軽量型のエンコーダー-デコーダー研究モデルファミリーで、事前学習されたデコーダー専用モデルをエンコーダー-デコーダーアーキテクチャに適応させることで、品質と効率のバランスを改善しています。このモデルは、さまざまな生成タスクと判別タスクをサポートし、リソースが限られた環境でのデプロイに適しています。

自然言語処理Transformers

T5GemmaはGoogleが開発した軽量級のエンコーダー - デコーダー研究モデルファミリーで、デコーダーのみの事前学習モデルをエンコーダー - デコーダーアーキテクチャに適応させることで、品質と効率のバランスを良好に実現しています。このモデルは、様々な生成タスクと判別タスクに適しており、英語処理をサポートしています。

自然言語処理Transformers

T5GemmaはGoogleが開発した軽量エンコーダー-デコーダー研究モデルで、デコーダーのみの事前学習モデルをエンコーダー-デコーダーアーキテクチャに適応させることで、より良い品質と効率のトレードオフを実現しています。このモデルは90億パラメータのエンコーダーと20億パラメータのデコーダーを持ち、質問応答、要約、推論などの様々な生成タスクに適しています。

自然言語処理Transformers

ConTextTabは、意味理解とコンテキスト学習を組み合わせたディープラーニングモデルで、表データを専門的に処理します。それは、専用の埋め込み方法を通じて異なるデータモードを処理し、大規模な実世界の表データで訓練され、複数のベンチマークテストで優れた性能を発揮し、特に意味が豊富なCARTEベンチマークテストで新しい基準を樹立しました。

SAP RPT 1 OSSは、意味理解とコンテキスト学習を組み合わせたディープラーニングモデルで、表データの予測タスクに特化しています。このモデルは、異なるデータモードに対して専用の埋め込みを採用し、大規模な実世界の表データで訓練されており、幅広いベンチマークテストで優れた性能を発揮します。

MiMoは、推論タスク用に最初からトレーニングされた一連の7Bパラメータモデルで、事前学習と事後学習の戦略を最適化することで、数学とコードの推論タスクで優れた性能を発揮します。

自然言語処理Transformers

高品質のコード理解と意味検索のために設計された最新の事前学習モデルで、8種類のプログラミング言語の長シーケンス処理をサポートします。

自然言語処理Sentence-transformers多言語

GAIAは、ブラジルポルトガル語向けのオープンソースで高度な言語モデルで、google/gemma-3-4b-ptモデルを基に、高品質なポルトガル語コーパスで継続的に事前学習を行って開発されました。

自然言語処理Transformersportuguese