AIアシスタントが支援する、明確なストーリー作成を促進するアジャイルチーム向けツール
Baidu
-
入力トークン/百万
出力トークン/百万
4
コンテキスト長
Alibaba-NLP
mGTEシリーズの多言語テキストエンコーダーで、75言語をサポートし、最大文脈長は8192、BERT+RoPE+GLUアーキテクチャに基づき、GLUEとXTREME-Rベンチマークで優れた性能を発揮
glamprou
これはgoogle/switch-base-8をベースに、GLUE MNLIデータセットでファインチューニングされたテキスト分類モデルで、主に自然言語推論タスクに使用されます。
mjwong
このモデルはintfloat/e5-base-v2をGLUE（MNLI）とANLIデータセットでファインチューニングしたバージョンで、ゼロショット分類と自然言語推論タスクに適しています。
abdulmatinomotoso
bert-base-uncasedをglueデータセットで微調整した英語文法チェックモデルで、テキスト分類タスクに使用されます。
muhtasham
これはBERT-tinyアーキテクチャを基にGLUE RTEタスクでファインチューニングされたテキスト分類モデルで、主にテキスト含意認識タスクに使用されます。
JeremiahZ
GLUE QQPデータセットでBERTベースモデルをファインチューニングしたテキスト分類モデルで、2つの質問が意味的に同じかどうかを判断する
BERT-base-uncasedをベースにGLUE SST2データセットで微調整したテキスト分類モデルで、感情分析タスクで優れた性能を発揮し、正解率は93.23%に達します。
junzai
bert-base-uncasedをGLUE MRPCデータセットでファインチューニングしたテキスト分類モデル
hchc
このモデルはDistilBERTベースモデルをGLUEのCoLAタスクでファインチューニングしたテキスト分類モデルで、英語文の文法正しさを判断します。
mattchurgin
glueデータセットでファインチューニングされたdistilbert-base-uncasedベースのテキスト分類モデルで、文ペアの意味的等価性を判断
distilbert-base-uncasedをベースにGLUEデータセットで微調整したテキスト分類モデル
anirudh21
このモデルは、DistilBERTをベースにGLUE MRPCタスクで微調整されたテキスト分類モデルで、文ペアが意味的に等価かどうかを判断するために使用されます。
mrm8488
GLUE MNLIデータセットでファインチューニングされたDeBERTa-v3-largeモデル、自然言語推論タスク用、検証セット精度90%達成
GLUE MNLIデータセットで微調整されたDeBERTa v3の小規模バージョンで、自然言語推論タスクに使用され、正解率は87.46%に達します。
ksmcg
BERTベースモデルをGLUEデータセットで微調整したテキスト分類モデル
textattack
GLUEデータセットを基に微調整された分類モデルで、自然言語処理タスクに適しています。
このモデルは、ALBERT-large-v2をベースにGLUE RTEタスクで微調整されたテキスト分類モデルで、テキストの含意関係を識別するために使用されます。
blizrys
このモデルは、GLUEのMNLIタスクでdistilbert-base-uncasedをファインチューニングしたテキスト分類モデルで、主に自然言語推論タスクに使用されます。
このモデルは、ALBERTの基本バージョン（albert-base-v2）をGLUEデータセットのRTEタスクで微調整したテキスト分類モデルで、主にテキスト含意認識タスクに使用されます。
navsad
bert-base-casedをGLUEデータセットでファインチューニングしたテキスト分類モデルで、文法受容性判断タスクに優れています
Iceberg MCPは、Apache IcebergディレクトリにMCPプロトコルを提供するサーバーで、非同期操作とログ記録をサポートし、RESTおよびAWS Glueカタログと互換性があります。
Safetensors多言語%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)
