#模型

convnext_nano.in12k_ft_in1k是基于ConvNeXt架构开发的轻量级图像分类模型，模型参数量1560万，在ImageNet-12k数据集预训练后在ImageNet-1k微调。支持图像分类、特征提取和嵌入向量生成等功能，适用于计算资源受限环境下的视觉任务。

该项目通过结合Nexusflow/Starling-LM-7B-beta和FuseAI/FuseChat-7B-VaRM模型，并采用SLERP方法提升了文本生成性能。在AI2 Reasoning Challenge、HellaSwag等数据集上表现突出，最高达到84.59%的归一化准确率，适用于多种智能文本生成任务。项目配置灵活、易于集成，是用户寻找高性能生成模型的理想选择。

量子化后的gemma-2-baku-2b-it模型为日语和英语提供跨语言支持，增强处理效率。通过多种工具如llama.cpp、LM Studio（Windows和Mac支持）和LLMFarm（适用于iOS）进行应用。项目采用TFMC的数据集，专注于优化日语语言学习模型。访问有关npaka将LLM-jp-3转换为gguf的详细步骤，以提高应用效率和开发潜力。

该模型运用未标注GoEmotions数据集，利用零样本学习技术进行精炼。尽管其性能可能略逊于完全监督下的模型，但它展示了如何将复杂的自然语言推理模型简化为高效的模型，以便在未标注数据上进行分类器训练。

Meta的LLM Compiler是一款编译器优化语言模型，基于Code Llama构建，提升了对编译器中间表示与汇编语言的理解。LLM Compiler提供7B和13B两个版本，能够预测LLVM优化效果，在代码优化与反汇编任务中表现优异，实现了显著的代码优化和反汇编准确性。这一模型适用于研究与商业用途，助力开发者提高代码优化效率。

Lunatic项目通过整合InsaneRealistic和Lunar Diffusion两种模型，并使用SuperMerger技术，生成高仿真图像。该项目适合多种风格的图像创作，从VHS复古风到超现实幻想场景，在艺术性与真实性上表现卓越，为用户提供创新的图像生成体验。

H-optimus-0是一个开源的视觉Transformer模型，基于11亿参数，利用自监督学习在50万张H&E染色全幅切片病理图像上训练。该模型能从组织学图像中提取强大特征，支持突变预测、生存分析和组织分类等应用。模型期望输入图像尺寸为224x224，建议在CUDA设备上采用混合精度以加快推断。适用于医学图像处理，尤其在病理学与组织学研究中表现出色。

Qwen2系列涵盖基础及指令微调语言模型，参数规模从0.5亿到72亿，具有优秀的多语言、编码及推理能力。1.5B版本展示了卓越的语言理解与生成能力，可媲美专有模型。本地可通过llama.cpp运行，并兼容OpenAI API以简便方式访问。多种模式与量化选项，适应不同需求与应用场景。

SciBERT是一款用于科学文本的预训练语言模型，基于Semantic Scholar的114万篇论文和31亿个标记进行训练。其专有的scivocab词汇表利于更好地匹配训练语料，支持cased和uncased模型版本，适合科学文献分析。

POLAR-14B-v0.2由Plateer AI实验室开发，受启于SOLAR，致力于韩文语言模型的持续发展与贡献。

CLIP4Clip结合CLIP模型和WebVid数据集，成功在视频文本检索中提高精度，利用150,000个视频文本对的训练提升性能。此模型擅长处理大规模视频数据，具备视觉-时间概念学习能力，适合高效视频搜索应用。其架构支持文本到视频的快速检索，提升搜索效率。

Dolphin 2.5 Mixtral 8X7B是Eric Hartford推出的一款采用GGUF格式的模型。它支持多种比特选项的量化推理，并兼容llama.cpp、KoboldCpp、LM Studio等环境。模型设计注重性能与资源平衡，适合多种应用场景。

文档介绍了transformers库中的模型，涵盖开发细节、使用场景及局限性。根据模型卡的建议，用户可以了解模型的偏见、风险和局限，及如何开始使用。简要说明了性能评估、环境影响和技术规格，并提供起步代码和细节。详细信息建议查看相关存储库和文献。

Chronos-Gold-12B-1.0的量化版本是通过llama.cpp工具实现的，为文本生成提供了多种解决方案。这些格式涵盖从f16到IQ2_M，用户可根据系统RAM和GPU VRAM选择合适的版本。部分文件采用Q8_0嵌入和输出权重，以优化模型质量和性能。该项目适合角色扮演和故事创作等多应用场合，提供了灵活高效的文本生成支持。

此预训练模型使用Transformer进行光学字符识别（OCR），为TrOCR模型的一部分。其图像编码器采用BEiT权重初始化，文本解码器则使用RoBERTa权重，处理图像为固定大小的16x16像素块并线性嵌入。适用于单行文本图像的OCR任务，并支持针对特定任务进行微调，兼容PyTorch实现。

基于text2vec衍生的中文模型，采用LERT替代MacBERT，提高句子相似性和特征提取效率。支持onnxruntime，发布于2024年6月25日。

Mistral 7B Instruct v0.3是一款经过优化的指令跟随模型，新增功能调用支持进一步扩展应用范围，增强助理功能。此版本引入扩展词汇表和新的分词器，支持功能调用。模型由Mistral AI创建，GGUF量化由bartowski提供。提醒：本社区模型由第三方提供，用户需自行负责内容的准确和适用性。

此模型在日语维基百科文本上进行预训练，支持词性标注和依存解析等任务。它衍生自bert-base-japanese-char-extended，利用UPOS体系为短单位词标注。通过Python代码，用户能方便地进行文本处理和结构解析，适合希望高效处理日语文本的用户。该模型具有良好的兼容性，可通过Huggingface平台使用。

Yi-Coder-9B-Chat经过Llamacpp的imatrix选项量化处理，增强了在不同硬件上的推理能力。用户能根据自身需求从Q8_0、Q6_K_L等多种量化模型中选择，以适应不同的RAM和VRAM配置。更新内容包括分词器修复，所有文件均可在LM Studio中运行。项目亦提供对ARM芯片优化的Q4_0_X_X文件，用户可通过huggingface-cli下载具体量化模型并查看硬件兼容性和使用建议。