Project Icon

opus-mt-en-he

基于OPUS数据集的英语-希伯来语机器翻译模型

这是一个基于transformer-align架构的英语-希伯来语翻译模型,采用Apache-2.0开源协议。模型在OPUS数据集上训练,使用规范化和SentencePiece进行预处理,在Tatoeba测试集上获得40.1 BLEU分和0.609 chr-F分。模型提供训练权重下载,可用于英语和希伯来语之间的翻译任务。

opus-mt-en-fr - 英法机器翻译模型在多领域测试中表现卓越
BLEU评分GithubHuggingfaceOPUS-MT开源项目机器翻译模型英法翻译语料库
opus-mt-en-fr是一个基于Transformer架构的英语到法语机器翻译模型。该模型使用OPUS数据集训练,经过normalization和SentencePiece预处理。在多个测试集上表现优异,包括新闻、讨论和Tatoeba等不同领域。模型在Tatoeba测试集上获得50.5的BLEU分数,展现了其在英法翻译任务中的高效性能。
opus-mt-en-vi - 基于Transformer架构的英越翻译模型 实现37.2 BLEU评分
GithubHuggingfaceOPUSTatoeba开源项目机器翻译模型英语越南语
基于transformer-align架构开发的英语到越南语机器翻译模型,在Tatoeba测试集上达到37.2 BLEU分和0.542 chrF评分。模型使用SentencePiece技术进行分词预处理,支持英语到越南语(含喃字)的翻译功能。作为OPUS项目的组成部分,该模型于2020年6月发布,并提供完整的模型权重与测试数据集。
opus-mt-en-fi - 开源神经机器翻译模型实现英语到芬兰语的准确转换
BLEU评分GithubHuggingfaceOPUS-MT开源项目机器翻译模型英语到芬兰语语言模型
opus-mt-en-fi是一个开源的英语到芬兰语翻译模型,基于transformer架构。该模型使用OPUS数据集和bt-news数据进行训练,采用normalization和SentencePiece进行预处理。在newstest2019-enfi测试集上,模型实现了25.7的BLEU分数和0.578的chr-F分数,显示出较高的翻译准确度。模型提供原始权重下载和测试集翻译结果,方便研究者和开发者使用和评估。
opus-mt-ur-en - 乌尔都语与英语之间的翻译工具
EnglishGithubHuggingfaceUrdu开源项目模型翻译预处理
项目基于transformer-align模型,专注于将乌尔都语翻译为英语,采用了标准化的语言处理和SentencePiece技术(spm32k)。在Tatoeba测试集中,该模型获得了23.2的BLEU分数和0.435的chr-F分数,对于语言转换效率具有贡献。适合需要精准理解乌尔都语文本的研究人员、翻译人员及软件开发者。
opus-mt-vi-en - 基于Transformer架构的越南语英语双向翻译模型
EnglishGithubHuggingfaceOPUSTatoeba-ChallengeVietnamese开源项目机器翻译模型
opus-mt-vi-en是一个基于transformer-align架构的越南语-英语机器翻译模型。该模型在Tatoeba测试集上实现了42.8的BLEU分数和0.608的chrF分数。模型采用normalization和SentencePiece进行预处理,支持越南语和英语间的双向翻译。用户可通过官方链接获取模型权重和测试数据集。
opus-mt-tc-big-fr-en - 法语到英语神经机器翻译模型概述
BLEUGithubHuggingfaceSentencePieceopus-mt-tc-big-fr-en开源项目模型法语到英语神经机器翻译
OPUS-MT项目中的法英翻译模型,基于Marian NMT框架训练,通过Huggingface的transformers库转换为pyTorch模型,具有优秀的BLEU评分。模型支持多种数据集,使用SentencePiece进行分词,适用于多种翻译任务,适合学术研究及实际应用。
opus-mt-en-bg - 英语到保加利亚语的开源神经机器翻译模型
GithubHuggingfaceOPUSTatoeba保加利亚语开源项目机器翻译模型英语
opus-mt-en-bg是一个基于Transformer架构的英语到保加利亚语机器翻译模型。该模型在Tatoeba测试集上达到50.6的BLEU分数和0.680的chrF值。它使用SentencePiece进行预处理,支持保加利亚语的拉丁字母变体,需要添加目标语言标记。这个模型是Helsinki-NLP开发的Tatoeba-Challenge项目的一部分,为英语到保加利亚语的翻译提供了开源解决方案。模型采用了normalization和SentencePiece (spm32k,spm32k)预处理方法,需要在句子开头添加'>>id<<'形式的目标语言标记。用户可以下载原始权重、测试集翻译和评分结果。该项目遵循Apache-2.0许可协议,为研究人员和开发者提供了可靠的英语到保加利亚语机器翻译资源。
OPUS-MT-train - 用于训练多语言神经机器翻译模型的开源工具集
GithubOpus-MT多语言翻译开源软件开源项目机器翻译模型训练
OPUS-MT-train是一个开源的神经机器翻译模型训练工具集。它基于MarianNMT和OPUS数据集,提供了模型训练、评估和发布的完整脚本。该项目包含丰富的预训练模型,支持多语言翻译,并附有详细文档和教程。OPUS-MT-train适用于CSC HPC集群环境,包含了安装、设置和使用的详细说明。它还提供了低资源语言模型训练和Tatoeba翻译挑战等教程,致力于推动神经机器翻译技术的普及,为研究人员和开发者提供了实用的工具,有助于推进神经机器翻译技术的研究和应用。
opus-mt-fr-de - transformer-align架构的法德翻译模型,适用于新闻政治等多领域
GithubHuggingfaceopus-mt-fr-de开源项目数据集机器翻译模型神经网络语言模型
该法德翻译模型基于transformer-align架构,使用OPUS数据集训练。模型在多个测试集上表现出色,Tatoeba测试集达49.1 BLEU分,新闻领域测试集普遍达22-28 BLEU分,在euelections_dev2019测试集上达26.4 BLEU分。采用normalization和SentencePiece预处理,适用于新闻、政治等多领域翻译。模型权重和测试集翻译结果可供下载使用。
opus-mt-en-gl - 英语到加利西亚语机器翻译模型 基于OPUS数据集
BLEU评分GithubHuggingfaceopus-mt-en-gl开源项目数据集机器翻译模型语言模型
opus-mt-en-gl是一个开源的英语到加利西亚语机器翻译模型。该模型采用transformer-align架构,基于OPUS数据集训练,使用normalization和SentencePiece进行预处理。在Tatoeba测试集上,模型达到36.4的BLEU得分和0.572的chr-F值,表现出较好的翻译质量。这个模型为英语到加利西亚语的翻译任务提供了一个有效的工具。
项目侧边栏1项目侧边栏2
推荐项目
Project Cover

豆包MarsCode

豆包 MarsCode 是一款革命性的编程助手,通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能,支持100+编程语言,与主流编辑器无缝集成,显著提升开发效率和代码质量。

Project Cover

AI写歌

Suno AI是一个革命性的AI音乐创作平台,能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐,Suno AI都是音乐爱好者和专业人士的理想选择。

Project Cover

白日梦AI

白日梦AI提供专注于AI视频生成的多样化功能,包括文生视频、动态画面和形象生成等,帮助用户快速上手,创造专业级内容。

Project Cover

有言AI

有言平台提供一站式AIGC视频创作解决方案,通过智能技术简化视频制作流程。无论是企业宣传还是个人分享,有言都能帮助用户快速、轻松地制作出专业级别的视频内容。

Project Cover

Kimi

Kimi AI助手提供多语言对话支持,能够阅读和理解用户上传的文件内容,解析网页信息,并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题,Kimi都能以友好、专业的方式提供帮助。

Project Cover

讯飞绘镜

讯飞绘镜是一个支持从创意到完整视频创作的智能平台,用户可以快速生成视频素材并创作独特的音乐视频和故事。平台提供多样化的主题和精选作品,帮助用户探索创意灵感。

Project Cover

讯飞文书

讯飞文书依托讯飞星火大模型,为文书写作者提供从素材筹备到稿件撰写及审稿的全程支持。通过录音智记和以稿写稿等功能,满足事务性工作的高频需求,帮助撰稿人节省精力,提高效率,优化工作与生活。

Project Cover

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术,为商家提供一键生成商品图和营销文案的服务,显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台,让商品第一时间被种草。

Project Cover

AIWritePaper论文写作

AIWritePaper论文写作是一站式AI论文写作辅助工具,简化了选题、文献检索至论文撰写的整个过程。通过简单设定,平台可快速生成高质量论文大纲和全文,配合图表、参考文献等一应俱全,同时提供开题报告和答辩PPT等增值服务,保障数据安全,有效提升写作效率和论文质量。

投诉举报邮箱: service@vectorlightyear.com
@2024 懂AI·鲁ICP备2024100362号-6·鲁公网安备37021002001498号