FireAct
FireAct项目提供了语言模型微调的完整解决方案，包括示例代码、提示词和训练数据。该项目详细介绍了如何在Llama和GPT等多任务模型上进行数据生成、监督微调和推理操作。项目包含适用于Alpaca和GPT格式的训练数据样本，并配有使用案例和模型卡，方便快速部署和应用。支持OpenAI和SERP API集成，具体信息请参考项目仓库与Hugging Face模型卡。
gpt-ya2-v2
gpt-ya2-v2利用kpriyanshu256数据集对gpt2模型进行微调，提高了文本生成的因果语言建模性能。主要训练参数包括学习率5e-05和批量大小8，采用Adam优化器和线性学习率调度。模型在测试中达到36.91%的准确性，展示了在文本生成任务中的有效性。
bert-base-uncased-finetuned-semeval24
该微调模型基于google-bert/bert-base-uncased，采用Adam优化器和线性学习率调度策略，经过5个学习周期，在评估集合上取得了0.8254的准确率和0.8237的F1值，适用于需要精确度的文本分类任务。
bengali_language_NER
该项目使用Wikiann数据集微调bert-base-multilingual-cased模型，实现孟加拉语命名实体识别。标签分类涵盖人物、组织、地点，高训练集F1分数达0.9979，测试集为0.9673，并提供实例代码，适合研究语言处理与语义分析的用户。
bert-spanish-cased-finetuned-ner
通过微调，西班牙语BERT cased模型被优化用于命名实体识别任务。使用CONLL Corpora ES数据集，训练数据包含8700条实例，开发数据2200条。在评估集上F1得分为90.17，表现优于其他多语种和TinyBERT模型。采用Huggingface工具包，便于快速应用。