Project Icon

minilm-uncased-squad2

MiniLM抽取式问答模型在SQuAD 2.0数据集实现76分精确匹配

MiniLM-L12-H384-uncased是一款专注于英文抽取式问答的开源模型。经SQuAD 2.0数据集训练后,模型可从文本中精确定位答案信息,并通过Haystack或Transformers框架便捷部署。目前在验证集评测中展现出优秀的问答性能,适合搭建生产环境的问答应用。

sbert-all-MiniLM-L6-with-pooler - 基于MiniLM的384维句子向量化模型
GithubHuggingfaceONNXsentence-transformers向量嵌入开源项目模型特征提取语义搜索
sbert-all-MiniLM-L6-with-pooler基于sentence-transformers框架开发,将文本映射为384维向量表示。该模型在10亿对句子数据集上完成训练,可应用于文本聚类和语义搜索等场景。模型通过Hugging Face Optimum实现,支持便捷的特征提取功能。
all_datasets_v4_MiniLM-L6 - 大规模数据集训练的高效句向量模型用于多语言语义表示
FlaxGithubHuggingfaceNLP句子嵌入对比学习开源项目模型语义相似度
all_datasets_v4_MiniLM-L6是一个基于MiniLM-L6预训练模型的句向量模型,通过10亿句对数据集微调而成。该模型采用对比学习方法,可生成捕捉句子语义信息的向量表示。适用于信息检索、聚类和句子相似度等任务,可通过SentenceTransformers库使用。模型在TPU上训练540k步,批量大小为1024,性能优异,应用范围广泛。
ms-marco-MiniLM-L-12-v2 - 跨编码器模型实现高效信息检索与段落排序
Cross-EncoderGithubHuggingfaceMS MarcoSentenceTransformers信息检索开源项目模型自然语言处理
ms-marco-MiniLM-L-12-v2是为MS Marco段落排序任务开发的跨编码器模型。该模型在信息检索领域表现优异,能够高效编码和排序查询与段落。在TREC Deep Learning 2019和MS Marco Passage Reranking数据集上,模型分别达到74.31的NDCG@10和39.02的MRR@10。每秒处理960个文档的速度使其在准确性和效率间实现了良好平衡,适用于各类信息检索应用场景。
all-MiniLM-L6-v2 - 轻量级句子嵌入模型助力Web环境文本分析
GithubHuggingfaceONNX权重Transformers.js句向量嵌入计算开源项目模型特征提取
all-MiniLM-L6-v2是一款基于Transformers.js的轻量级句子嵌入模型。它使用ONNX权重,与Transformers.js完全兼容,适用于Web环境的文本分析。开发者可通过简洁的JavaScript代码创建特征提取管道,快速生成多个句子的标准化嵌入向量。该模型为自然语言处理提供了高效解决方案,尤其适合需要在浏览器中进行文本分析的应用场景。
layoutlm-document-qa - LayoutLM文档智能问答模型
GithubHuggingfaceLayoutLM图像识别开源项目文档问答模型自然语言处理视觉问答
LayoutLM文档智能问答模型是一个经过SQuAD2.0和DocVQA数据集微调的多模态模型。它能够准确回答发票、合同等各类文档图像中的问题,支持简单的Python代码调用。该模型为文档信息提取和理解提供了高效便捷的解决方案,适用于多种文档处理场景。
msmarco-MiniLM-L12-cos-v5 - 用于语义搜索的句子转换和嵌入模型
GithubHuggingfaceMS MARCOMiniLM句子转换器开源项目模型自然语言处理语义搜索
msmarco-MiniLM-L12-cos-v5是一个专为语义搜索设计的句子转换模型,能将文本映射到768维向量空间。该模型在MS MARCO数据集上训练,支持通过sentence-transformers和HuggingFace Transformers两种方式使用。它生成规范化嵌入,适用于多种相似度计算方法,可用于开发高效的语义搜索应用。
internlm2_5-1_8b-chat - 开源18亿参数模型提升推理能力与工具调用效率
GithubHuggingfaceInternLM工具利用开源模型开源项目推理能力模型模型性能
InternLM2.5是一个开源的18亿参数基础模型,拥有卓越的数学推理和增强的工具调用能力,其能够从多个网页搜集信息并进行分析和指令理解。在OpenCompass的评测中,该模型在MATH、GPQA等基准测试中表现突出。尽管在推理和综合能力上具有优越性,仍需注意潜在的风险输出。通过Transformers和LMDeploy工具,用户可以轻松加载和部署此模型以适应多种应用场景。
ms-marco-MiniLM-L-4-v2 - MS Marco跨编码器模型优化信息检索和段落排序效率
Cross-EncoderGithubHuggingfaceMS Marco信息检索开源项目模型模型评估自然语言处理
ms-marco-MiniLM-L-4-v2是一款针对MS Marco段落排序任务优化的跨编码器模型。在TREC DL 19和MS Marco开发集评测中,该模型的NDCG@10和MRR@10分别达到73.04和37.70,展现出优秀性能。它适用于查询-段落匹配和重排序等信息检索任务,每秒可处理2500个文档,在效率和性能间取得良好平衡。研究人员可通过Transformers或SentenceTransformers库轻松应用此模型。
LaMini-T5-738M - 高效精简的738M参数T5语言模型
GithubHuggingfaceLaMini-T5-738M人工智能开源项目指令微调模型自然语言处理语言模型
LaMini-T5-738M是一个经过258万条指令数据集训练的T5语言模型,总参数量为738M。作为LaMini-LM系列成员之一,该模型针对自然语言指令处理进行了优化,在NLP任务评测中表现良好。模型支持通过HuggingFace pipeline快速部署使用。
paraphrase-MiniLM-L12-v2 - sentence-transformers模型用于生成384维句子嵌入向量
GithubHuggingfaceMiniLMsentence-transformers向量嵌入开源项目模型自然语言处理语义相似度
paraphrase-MiniLM-L12-v2是一个sentence-transformers模型,将句子和段落映射到384维向量空间。适用于聚类和语义搜索,支持通过sentence-transformers或Hugging Face Transformers库使用。该模型在Sentence Embeddings Benchmark上表现良好,采用Transformer和Pooling架构处理文本并生成句子嵌入。
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

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。

Project Cover

稿定AI

稿定设计 是一个多功能的在线设计和创意平台,提供广泛的设计工具和资源,以满足不同用户的需求。从专业的图形设计师到普通用户,无论是进行图片处理、智能抠图、H5页面制作还是视频剪辑,稿定设计都能提供简单、高效的解决方案。该平台以其用户友好的界面和强大的功能集合,帮助用户轻松实现创意设计。

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