DeepSeek-V3的5层简化开发版本，适用于轻量级任务和快速实验。

Gemma分词器的副本，用于无需访问令牌的CI/测试场景

基于MIT许可证的开源模型，具体信息暂不可用

该模型基于MIT许可证发布，具体信息暂不可知。

这是一个基于MIT许可证的零样本分类模型，适用于多种分类任务而无需特定训练。

一个多功能的大语言模型，能够处理各种自然语言处理任务

这是一个基于MIT许可证的零样本分类模型，适用于多种分类任务。

基于MIT许可证发布的模型，具体信息需进一步补充

Mistral架构的随机初始化模型，适用于端到端测试。

基于AutoTrain平台训练的文本生成模型，能够根据输入提示生成连贯的文本内容

首个基于Llama架构重构的TinyStories-1M版本，专为生成儿童故事设计的概念验证模型

这是一个基于PyTorch和HuggingPics构建的图像分类模型，专门用于识别稀有犬种。

该模型基于MIT许可证发布，具体信息需进一步补充。

这是一个使用AutoTrain训练的二元分类模型，用于区分图像是否包含地图。

这是一个通过AutoTrain训练的多类别图像分类模型，在验证集上表现出色，准确率达到90.9%。

基于AutoTrain训练的三分类图像分类模型，在验证集上达到95%的准确率

这是一个由HuggingPics生成的图像分类模型，准确率达到94.12%。

这是一个基于AutoTrain训练的多类别图像分类模型，专门用于旗帜识别任务。

该模型基于MIT许可证发布，具体信息暂不可用。

这是一个基于Swin-Tiny架构在MNIST数据集上微调的图像分类模型，准确率达到98.33%

这是一个零样本分类模型，能够对文本进行分类而无需特定任务的训练数据

基于SpeechBrain框架，使用12天德语自定义数据集训练的Tacotron2文本转语音(TTS)模型。

基于microsoft/beit-base-patch16-224-pt22k-ft22k微调的图像分类模型，在评估集上达到98.92%的准确率。

该模型基于 MIT 许可证发布，具体信息未提供。

该模型基于MIT许可证发布，具体信息暂不可知。

该模型是基于Swin Transformer架构在MNIST数据集上微调的图像分类模型，准确率达98.33%

由HuggingPics生成的图像分类模型，用于识别不同世代的人群图像。

这是一个基于Vision Transformer架构的图像分类模型，准确率达到95.02%。

由HuggingPics生成的图像分类模型，准确率为91.67%

这是一个基于PyTorch和HuggingPics的图像分类模型，专门用于识别稀有犬种。

一个基于HuggingPics生成的图像分类模型，能够准确区分羊驼和土豆的图片。

这是一个基于AutoNLP训练的抽取式问答模型，能够从给定文本中提取问题的答案。

基于bert-base-uncased微调的模型，训练准确率93.75%，验证准确率50%

FlauBERT迷你版是一个专为测试目的设计的极简法语语言模型，基于FlauBERT架构的轻量化版本。

基于视觉Transformer架构的图像分类模型，专门用于区分吉娃娃犬和饼干两类图像

RoBERTa迷你版是一个专为测试目的设计的极简模型，基于RoBERTa架构，适用于自然语言处理任务。

这是一个基于Google T5 Transformer架构微调的文本释义生成模型，使用Quora问答对数据集进行训练，能够生成语义相似但表达不同的句子。