abhi099k
DeBERTa-v3-largeをベースに微調整されたAIテキスト検出モデルで、テキストが人間によって書かれたものかAIによって生成されたものかを正確に識別でき、カスタムデータセットでの訓練で約97%の精度を達成します。
OpenMed
これは、生物医学エンティティ認識に特化した高精度のモデルで、deberta-v3-baseアーキテクチャを微調整して作成されています。タンパク質、DNA、RNA、細胞株、細胞型などの生物医学エンティティを認識でき、臨床および研究アプリケーションに企業レベルのソリューションを提供します。
fc63
このモデルはDeBERTa - v3 - largeに基づいて構築され、英文テキストの内容から匿名の発言者または作者の性別を予測することができます。
AI-Enthusiast11
DeBERTaをファインチューニングした固有表現認識モデルで、テキスト内の個人識別情報(PII)（氏名、社会保障番号、電話番号などの機密情報）を検出するために特別に設計されています。
lakshyakh93
非構造化テキストデータ内の個人識別情報（PII）を識別・分類するために最適化されたファインチューニングモデルです。
gincioks
MoritzLaurer/deberta-v3-base-zeroshot-v2.0-cをベースにファインチューニングしたゼロショット分類モデル、NLIフレームワークのSmartShot手法でトレーニング
dejanseo
DeBERTa-v3-smallはマイクロソフトがリリースした軽量版DeBERTaモデルで、テキスト分類タスクに適しています。
rawsun00001
このモデルはmicrosoft/deberta-v3-baseをファインチューニングしたバージョンで、評価データセットで優れた性能を示し、精度は99.87%に達しました。
logicalqubit
microsoft/deberta-v3-largeをファインチューニングしたニュース見出しのマルチクラス分類モデルで、7つのニュースカテゴリ分類をサポートします。
startificial
DeBERTa-v3-baseを基にしたゼロショットテキスト分類モデルで、前提と仮説間の論理的関係（含意、中立、矛盾）を判断します。
これはDeBERTa v3 Largeアーキテクチャに基づくシーケンス分類モデルで、ユーザーのプロンプトが外部リソース（ネットワーク検索、データベース、またはRAGパイプラインなど）を介して接地処理が必要かどうかを予測するために特別に設計されています。このモデルはLLMパイプラインでルーティング層として機能し、検索決定、遅延、およびコストの最適化に役立ちます。
desklib
DeBERTa-v3-largeをファインチューニングしたAI生成テキスト検出モデルで、学術シーンに最適化されています
YoichiTakenaka
DeBERTaに基づく日本語テキスト感情予測モデルで、8種類の感情分類をサポートします。
微調整後のDeBERTaモデルに基づき、日本語テキストの感情予測を行うPythonパッケージです。
yaxili96
FactCGはDeBERTa-v3-largeアーキテクチャに基づくテキスト分類モデルで、大規模言語モデルが生成するコンテンツ中の根拠のない幻覚を検出するために特別に設計されています。
syedkhalid076
DeBERTa-v3-baseをファインチューニングしたゼロショットテキスト分類モデルで、アノテーションデータが不足しているシナリオや迅速なプロトタイピングに適しています。
almanach
CamemBERTav2は2750億のフランス語テキストトークンで事前学習されたフランス語言語モデルで、DebertaV2アーキテクチャを採用し、複数のフランス語NLPタスクで優れた性能を発揮します。
OU-Advacheck
これは機械生成テキストの二値分類モデルで、COLING 2025 GenAI検出タスクの単一言語サブタスクで第1位を獲得しました。
gauneg
これはDeBERTa - v3アーキテクチャに基づくトークン分類モデルで、テキストから方面用語を抽出し、その感情極性を予測するために特別に設計されています。モデルは複数のSemEvalデータセットとMAMSデータセットで訓練され、テキスト内のさまざまな方面の感情傾向を効率的に分析することができます。
Helios9
DeBERTaV3ベースの生物医学的固有表現認識モデルで、臨床テキストから疾患や薬剤などの構造化情報を抽出するために特別に設計されています
Safetensors英語%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
