Project Icon

opus-mt-no-de

挪威语至德语双向机器翻译模型 实现29.6 BLEU评分

opus-mt-no-de是一个开源的挪威语-德语神经机器翻译模型。该模型采用transformer-align架构,支持从挪威语的两种书面变体(Nynorsk和Bokmål)到德语的转换。模型使用SentencePiece进行文本预处理,在Tatoeba评测集上取得29.6 BLEU分数。项目开源于2020年6月,提供完整的模型文件及测试数据。

opus-mt-en-ru - 开源英俄翻译模型高性能机器翻译
BLEU评分GithubHuggingfaceopus-mt-en-ru开源项目机器翻译模型英俄翻译语言模型
opus-mt-en-ru是一个开源的英语到俄语机器翻译模型,基于transformer-align架构。该模型在newstest2012测试集上达到31.1的BLEU分数,展现出较好的翻译性能。模型使用OPUS数据集训练,采用normalization和SentencePiece进行预处理。此外,该项目还提供了多个测试集的评估结果,便于用户了解模型在不同场景下的表现。
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-es - 基于Transformer的英西机器翻译模型
GithubHuggingfaceOPUSTatoeba开源项目模型翻译模型英语西班牙语
opus-mt-en-es是一个开源的英语到西班牙语机器翻译模型,基于Transformer架构。该模型在新闻测试集上BLEU分数介于30-39之间,在Tatoeba测试集上BLEU分数达54.9,chrF分数为0.721。模型采用SentencePiece进行预处理,适用于各种英西翻译任务。项目开源于Hugging Face,提供模型权重下载。模型由Helsinki-NLP团队开发,使用OPUS平行语料库训练。除了高性能表现外,opus-mt-en-es还提供了完整的测试集翻译结果和评估分数,便于研究人员进行比较和分析。该模型适用于需要高质量英西翻译的各种应用场景。
opus-mt-sk-en - 斯洛伐克语到英语的开源机器翻译模型
BLEUGithubHuggingfaceOPUSopus-mt-sk-en开源项目模型翻译
opus-mt-sk-en是一个开源的Transformers模型,用于将斯洛伐克语翻译为英语。该模型基于opus数据集,并通过规范化和SentencePiece技术进行预处理。在JW300测试集上,模型表现良好,获得42.2的BLEU分数。此工具适用于需要高质量翻译的研究人员和开发者。
Opus-MT - 多语言神经机器翻译的开源框架
GithubMarian-NMTOPUS-MT多语言开源开源项目机器翻译
Opus-MT是一个开源的神经机器翻译项目,基于Marian-NMT框架开发。该项目利用OPUS数据集训练模型,结合SentencePiece分词和eflomal词对齐技术,提供多语言翻译功能。Opus-MT支持基于Tornado的Web应用和WebSocket服务两种部署方式,并提供大量预训练模型供用户下载。在Tiyaro.ai平台上,Opus-MT部署了543个在线演示API,方便用户体验。这个项目致力于为全球用户提供开放、便捷的翻译服务。
opus-mt-en-eu - 基于Transformer的英语-巴斯克语机器翻译模型 Tatoeba测试集BLEU 31.8
GithubHuggingfaceTatoeba-Challengetransformer-align巴斯克语开源项目机器翻译模型英语
opus-mt-en-eu是一个英语到巴斯克语的机器翻译模型,基于transformer-align架构构建。模型使用SentencePiece进行预处理,在Tatoeba测试集上达到31.8 BLEU分数和0.590 chr-F分数。由Helsinki-NLP开发并以Apache-2.0许可发布,适用于英语到巴斯克语的翻译任务。模型支持单向翻译,可应用于需要高质量英巴翻译的场景。
opus-mt-tc-big-en-pt - 从英译葡的先进神经机器翻译模型
GithubHuggingfaceMarian NMTOPUS-MT句子标记开源项目机器翻译模型神经机器翻译
该开源项目提供的神经机器翻译模型,旨在高效地将英语翻译为葡萄牙语。作为OPUS-MT项目的一部分,模型采用Marian NMT框架训练,并转化到PyTorch以兼容Transformers库。利用flores101-devtest等高质量数据集进行训练与评估,提供多语言目标支持,可应用于多种翻译场景。通过简单的Python示例代码,用户可以快速上手执行翻译任务。项目获得了欧盟资助,并得到了CSC -- IT Center for Science的支持。
opus-mt-en-et - 英语至爱沙尼亚语神经机器翻译模型
GithubHuggingfaceopus-mt开源项目数据集机器翻译模型模型评估语言模型
该英语至爱沙尼亚语(en-et)翻译模型基于transformer-align架构构建,使用OPUS数据集训练。模型采用normalization和SentencePiece预处理技术,在Tatoeba、newsdev2018和newstest2018等测试集上分别获得了54.0、21.8和23.3的BLEU评分。模型提供预训练权重及相关评估数据下载。
opus-mt-uk-en - 乌克兰语至英语的开源神经机器翻译模型
GithubHuggingfaceOPUStransformer-align乌克兰语开源项目机器翻译模型英语
opus-mt-uk-en是一个开源的乌克兰语到英语神经机器翻译模型,基于transformer-align架构开发。该模型使用OPUS数据集训练,经过normalization和SentencePiece预处理。在Tatoeba测试集上,模型达到了64.1的BLEU分数和0.757的chr-F分数,显示出良好的翻译效果。研究者可以下载预训练权重和测试集结果进行进一步评估和应用。
opus-mt-en-id - 英语至印尼语开源神经机器翻译模型
GithubHuggingfaceopus-mt-en-id开源项目数据集机器翻译模型模型评估自然语言处理
opus-mt-en-id是一个开源的英语到印尼语神经机器翻译模型,基于Transformer架构设计。该模型使用OPUS数据集训练,经过normalization和SentencePiece预处理。在Tatoeba测试集上,模型达到38.3 BLEU分和0.636 chr-F分的性能。项目提供预训练权重和测试集,方便研究人员进行评估和应用。
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

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

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

吐司

探索Tensor.Art平台的独特AI模型,免费访问各种图像生成与AI训练工具,从Stable Diffusion等基础模型开始,轻松实现创新图像生成。体验前沿的AI技术,推动个人和企业的创新发展。

Project Cover

SubCat字幕猫

SubCat字幕猫APP是一款创新的视频播放器,它将改变您观看视频的方式!SubCat结合了先进的人工智能技术,为您提供即时视频字幕翻译,无论是本地视频还是网络流媒体,让您轻松享受各种语言的内容。

Project Cover

美间AI

美间AI创意设计平台,利用前沿AI技术,为设计师和营销人员提供一站式设计解决方案。从智能海报到3D效果图,再到文案生成,美间让创意设计更简单、更高效。

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