#DeBERTa-v3
deberta-v3-base-zeroshot-v1.1-all-33 - DeBERTa-v3通用零样本分类模型支持387种文本分类场景
Github开源项目机器学习模型Huggingface文本分类零样本分类自然语言推理DeBERTa-v3
DeBERTa-v3基础模型通过自然语言推理技术实现通用文本分类。经过387个分类任务训练后,可直接应用于情感分析、主题识别、内容审核等场景,平均准确率84%。采用pipeline接口,无需针对新任务重新训练即可使用。
DeBERTa-v3-FaithAug - 基于DeBERTa的知识对话系统可靠性评估模型
Github开源项目模型训练模型数据集Huggingface自然语言推理DeBERTa-v3知识对话
DeBERTa-v3-FaithAug是一个基于DeBERTa-v3架构的自然语言推理模型，通过ANLI数据增强方式进行微调，用于知识对话系统的可靠性评估。模型在原有DeBERTa-v3-large-mnli-fever-anli-ling-wanli基础上优化，提供开源代码和评分接口。该版本相比论文中的原始模型具有更优的平均性能表现。
deberta-v3-base-prompt-injection - DeBERTa-v3提示注入检测模型实现99.99%准确率
Github开源项目机器学习安全模型Huggingfaceprompt injection文本分类DeBERTa-v3
该提示注入检测模型基于DeBERTa-v3架构，通过多个数据集训练后可精确识别正常和注入提示。模型在评估集上实现99.99%的准确率，支持Transformers、ONNX和Langchain等框架集成，为LLM提供可靠的安全防护。开发者可通过Python接口轻松使用该模型，增强AI系统对提示注入攻击的防御能力。
deberta-v3-large-zeroshot-v1 - 强大高效的零样本文本分类能力
Github开源项目模型训练模型Huggingface文本分类零样本分类自然语言推理DeBERTa-v3
模型适用于零样本分类，通过将文本分类任务转换为'真假'判定任务达到自然语言推理效果。使用Hugging Face pipeline实现，较现有模型表现优异。基于27项任务和310类文本进行训练，专注'Entailment'与'Not_Entailment'的二分类，且在多种文本分类场景中表现灵活。模型为开源，受到MIT许可证保护。