这是一个基于印尼语RoBERTa模型微调的词性标注模型，在indonlu数据集上训练，用于印尼语文本的词性标注任务。

一个基于PyTorch和HuggingPics构建的图像分类模型，用于识别图像中的性别

该模型是基于facebook/wav2vec2-base在speech_commands数据集上微调的语音命令识别模型，准确率达97.59%。

基于facebook/wav2vec2-xls-r-300m在菲律宾语音数据集上微调的语音识别模型

这是一个基于PyTorch框架和HuggingPics工具生成的图像分类模型，专门用于性别分类任务。

AraBERT是基于BERT架构的阿拉伯语预训练语言模型，专门针对阿拉伯语理解任务优化。

BLOOMZ系列的中型多语言模型，适用于多种自然语言处理任务。

基于OpenAI Whisper-medium微调的语音语种识别模型，在FLEURS数据集上达到88.05%准确率

Distil-Whisper是Whisper large-v3的知识蒸馏版本，专注于英语自动语音识别，提供更快的推理速度同时保持接近原始模型的准确性。

基于DistilRoBERTa微调的金融新闻情感分析模型，准确率达98.23%

基于神经网络与知识库融合的多语言命名实体识别模型，支持9种语言

基于openai/whisper-small微调的通用语言识别模型，在评估集上准确率达88.6%

Distil-Whisper是Whisper模型的蒸馏版本，速度比原版快6倍，体积缩小49%，在英语语音识别任务上保持接近原版的性能。

一个用于分类人类皮肤类型的图像分类模型，致力于实现公平性，确保模型在所有肤色上都能正确表现。

该模型是基于ibert-roberta-base微调得到的版本，专门用于检测辱骂或威胁性言论。

基于microsoft/wavlm-base-plus在LIBRISPEECH_ASR - CLEAN数据集上微调的自动语音识别模型

基于bert-base-cased微调的BPMN流程信息抽取模型，用于从文本化流程描述中提取执行者、任务等关键元素

基于Facebook/Meta的XLS-R特征提取器微调而成的新挪威语自动语音识别模型，在NPSC测试集上WER为11.32%。

基于ConvNeXt-Large架构的CLIP模型，在LAION-2B数据集上训练，支持零样本图像分类和图像文本检索任务

基于LAION-2B数据集训练的大规模ConvNeXt-Large CLIP模型，支持零样本图像分类和图文检索任务

基于OpenCLIP框架在LAION-2B英语子集上训练的视觉语言模型，支持零样本图像分类和图文检索

基于VoxRex特征提取器微调的300M参数语音识别模型，专为新挪威语(Nynorsk)优化，在NPSC测试集上WER达12.22%

基于YOLOv8m的目标检测模型，专门用于表格提取任务，能够检测带边框和无边框的表格。

基于YOLOv5n的轻量级车牌检测模型，专为车牌识别任务优化

基于YOLOv8s的表格检测模型，能够准确识别图像中的有边框和无边框表格。

基于DistilBERT微调的轻量级命名实体识别模型，平衡性能与效率

Distil-Whisper是Whisper模型的蒸馏版本，速度提升6倍，体积缩小49%，在非分布评估集上的表现仅相差1% WER。

基于ConvNeXt-Base架构的CLIP模型，使用OpenCLIP在LAION-5B子集上训练，专注于零样本图像分类任务

基于Wav2Vec 2.0微调的语音情感识别模型，支持识别8种英语情感，在RAVDESS数据集上准确率达82.23%

基于distilbert-base-uncased微调的性别分类模型，在评估集上准确率达到1.0

Distil-Whisper是Whisper模型的蒸馏版本，速度快6倍，体积缩小49%，在非分布评估集上表现接近1% WER。

基于jonatasgrosman/wav2vec2-large-xlsr-53-english微调的英语-菲律宾语语音识别模型，在评估集上WER为0.5750

基于YOLOv8s微调的手写签名检测模型，专门用于文档图像中的签名定位

挪威国家图书馆基于OpenAI Whisper开发的挪威语自动语音识别模型，专门针对逐字转录场景优化，输出全小写无标点文本

基于Facebook/Meta的XLS-R特征提取器微调的挪威语自动语音识别模型，在NPSC测试集上词错误率6.33%

BioMistral是基于Mistral架构、针对医学领域优化的开源大语言模型，通过PubMed Central开放获取文本数据继续预训练，支持多语言医学问答任务。

AraGPT2是基于Transformer架构的阿拉伯语生成预训练模型，由AUB MIND实验室开发，支持多种规模的模型变体。

CNER模型是一个基于DeBERTa-v3-base架构的命名实体识别模型，能够联合识别和分类带有细粒度标签的概念和命名实体。

FullStop是一个基于Transformer的多语言标点符号预测模型，支持英语、德语、法语、意大利语、荷兰语等多种语言。

这是一个实验性模型，旨在修正英语文本中的拼写错误和标点符号。

基于Google Vision Transformer (ViT)架构的预训练模型，在CIFAR-10数据集上进行了微调，用于图像分类任务。

基于YOLOv5m架构的车牌目标检测模型，在车牌检测任务上表现出色。