平安證券報告顯示，DeepSeek-V3.1大模型正式上線，採用全新UE8M0FP8Scale參數精度，顯著提升工具效率和智能體任務表現。這一創新推動國產芯片發展，標誌着國產大模型技術邁出重要一步，並與國產芯片深度協同，增強實際應用能力。
uer
基於CLUECorpusSmall預訓練的輕量級中文GPT2模型，採用6層架構，專為中文文本生成任務優化
GPT2-distil是一個輕量級的中文文本生成模型，基於GPT2架構，專門針對中文文本生成任務進行了優化。
基於CLUECorpusSmall預訓練的輕量級中文GPT2模型，6層/768維結構，專為中文文本生成優化
本項目提供了6個不同規模的中文全詞掩碼RoBERTa模型，由UER-py預訓練得到。這些模型採用全詞掩碼策略，在中文自然語言處理任務中表現出色，覆蓋從Tiny到Large的不同參數規模，滿足不同計算資源需求。
基於CLUECorpusSmall預訓練的中文分詞版RoBERTa中型模型，採用8層512隱藏層架構，相比字符版模型在多項任務中表現更優
基於CLUECorpusSmall預訓練的中文詞級別RoBERTa中型模型，相比字符模型在多項任務中表現更優
中文T5是一系列基於T5架構的預訓練模型，專門針對中文自然語言處理任務設計。該模型採用統一的文本到文本格式，能夠處理多種NLP任務，在中文CLUECorpusSmall數據集上進行了預訓練。
基於CLUECorpusSmall語料預訓練的中文分詞版RoBERTa中型模型，採用分詞處理提升序列處理效率
基於CLUECorpusSmall預訓練的24箇中文RoBERTa模型系列之一，採用UER-py框架訓練，支持掩碼語言建模和文本特徵提取。
由UER-py預訓練的中文RoBERTa模型系列中的中型版本，基於CLUECorpusSmall語料訓練，適用於多種中文NLP任務。
基於CLUECorpusSmall預訓練的中文RoBERTa模型，包含8層網絡和512隱藏層維度，適用於多種中文NLP任務。
這是一個基於CLUECorpusSmall預訓練的中文RoBERTa中型模型，具有8層網絡和512維隱藏層，適用於多種中文自然語言處理任務。
基於UER-py預訓練的中文句子嵌入模型，用於計算句子相似度
基於CLUECorpusSmall預訓練的中文RoBERTa模型，參數規模為8層512隱藏層，適用於多種中文NLP任務。
基於UER-py微調的中文RoBERTa-Base分類模型，包含5個不同數據集的文本分類模型
基於GPT2架構的中文古詩生成模型，由UER-py預訓練，支持生成中國古詩。
基於CLUECorpusSmall預訓練的中文RoBERTa模型，參數規模為8層512隱藏單元，適用於多種中文NLP任務。
基於GPT2架構的中文對聯生成模型，由UER-py框架預訓練，支持生成符合傳統對聯格式的中文文本。
專用於生成文言文文本的GPT2模型，基於300萬條文言文數據預訓練
基於RoBERTa-Base架構微調的中文命名實體識別模型，專為CLUENER2020數據集優化
UE5-MCP是一個集成AI驅動的自動化工具，旨在優化Blender與Unreal Engine 5的工作流程，提供從場景生成到遊戲開發的端到端解決方案。
將UE Editor封裝為MCP Server以實現Agent自動化迭代的插件
該項目是一個連接Claude AI與Unreal Engine 5的Python服務器，通過自然語言指令實現對UE5場景中3D對象和藍圖演員的創建、修改與控制。
%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)
