检索增强生成(RAG)技术通过检索知识库信息提升大语言模型回答准确性，但处理语言多样性时存在不足。为此，Lexical Diversity-aware RAG 方法被提出，旨在优化模型对多样化表达的理解，增强生成答案的可靠性。
Microsoft Dragon Copilot 是一款用于医疗行业的 AI 工作空间，可简化临床文档工作流，提升效率。
基于实体表示的任意物体运动控制
Drag GPT - 开启AI之旅，轻松拖拽点击！
轻松拖放并点击，向ChatGPT提问或发出请求！
Alibaba
$1
输入tokens/百万
-
输出tokens/百万
32
上下文长度
Huawei
Deepseek
8
Openai
$1.05
$4.2
128
01-ai
16
Chatglm
Tencent
$0.7
DragonLLM
LLM Pro Finance是一款专为金融和经济专业人士设计的多语言人工智能模型，基于大量高质量的金融和经济数据训练，能够针对复杂的金融问题生成准确且贴合上下文的回应。
dragonkue
基于intfloat/multilingual-e5-small微调的韩语句子转换器，用于韩语检索任务
exp-models
这是一个从intfloat/multilingual-e5-small微调而来的sentence-transformers模型，专门针对韩语检索任务优化，将文本映射到384维向量空间。
这是一个从intfloat/multilingual-e5-small微调而来的sentence-transformers模型，训练数据包含韩语查询-段落对，以提高韩语检索任务的性能。
DragonLineageAI
Spark-TTS 是一款先进的文本转语音系统，利用大语言模型（LLM）的强大能力实现高精度且自然流畅的语音合成。
这是一个从Snowflake/snowflake-arctic-embed-l-v2.0微调而来的句子转换器模型，训练数据为聚类数据集。它将句子和段落映射到一个1024维的密集向量空间，可用于语义文本相似度和语义搜索。
这是一个基于BAAI/bge-reranker-v2-m3优化的韩语重排序模型，主要用于文本排序任务。
基于BAAI/bge-m3优化的韩英语双语句子嵌入模型，支持语义文本相似度、信息检索等任务
nvidia
Dragon-multiturn是一款专为对话式问答场景设计的检索器，能处理将会话历史与当前查询相结合的对话式查询。
lang-uk
Dragoman 是一个句子级别的英乌翻译模型，采用两阶段训练流程，在FLORES-101英乌开发测试子集上取得了BLEU值为32.34的最优性能。
llmware
dragon-mistral-7b-v0是基于Mistral-7B基础模型进行RAG指令微调训练得到的模型，专门针对复杂的商业和法律文档进行基于事实的问答，重点在于减少幻觉生成，并为工作流自动化提供简短清晰的答案。
DragosGorduza
这是一个基于sentence-transformers的模型，能够将句子和段落映射到1024维的密集向量空间，适用于句子相似度计算、语义搜索等任务。
这是一个基于sentence-transformers的模型，能够将句子和段落映射到1024维的密集向量空间，适用于聚类或语义搜索等任务。
这是一个基于sentence-transformers的模型，能够将句子和段落映射到768维的密集向量空间，适用于聚类或语义搜索等任务。
nthakur
这是一个基于sentence-transformers的句子编码器模型，可将文本转换为768维向量表示，适用于语义搜索和句子相似度计算等任务。
这是一个基于facebook/dragon-plus-context-encoder移植的句子转换器模型，用于将句子和段落映射到768维向量空间，适用于聚类和语义搜索等任务。
dragonstar
基于microsoft/trocr-base-printed微调的印刷体文本识别模型，主要用于验证码识别任务
facebook
DRAGON+ 是一个基于BERT架构的密集检索模型，采用非对称双编码器架构，适用于文本检索任务。
DRAGON+ 是一个基于 BERT 基础架构的密集检索模型，初始权重源自 RetroMAE，并在 MS MARCO 语料库增强数据上训练而成。
一个与addTaskManager应用集成的MCP服务器，实现了Dragos Roua创建的ADD（评估-决定-执行）生产力框架，通过严格的领域限制提供AI辅助任务管理功能。
%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)
