基于distilbert-base-uncased微调的文本分类模型，在AG News数据集上训练，准确率达89.06%

Qwen2.5-Coder-7B-Instruct 是一个基于 Qwen2.5 架构的 7B 参数规模的代码生成模型，专注于指令微调，适用于代码生成和编程辅助任务。

该模型是基于RoBERTa架构的英文情感分析模型，可将文本分类为积极、中性和消极三类。

这是一个基于BERT的多语言模型微调的韩文情感分析模型，专门用于分析韩文客户评论的情感倾向。

基于MCG-NJU/videomae-base微调的视频分析模型，用于欺骗检测任务，准确率达70.37%

基于轻量级RuBERT-tiny2微调的俄语情感分类模型，可识别五种情绪

DeBERTa-v3-small是微软发布的轻量级DeBERTa模型变体，适用于文本分类任务。

基于DistilBERT-base-uncased微调的食品/非食品文本分类器，在评估集上达到100%准确率

这是一个基于distilbert-base-uncased微调的情感分析模型，在评估集上取得了93.2%的准确率。

基于vinai/phobert-base-v2微调的越南语文本分类模型，在验证集上达到89.62%的准确率

这是一个通过微调bert-base-uncased模型实现的英文垃圾短信分类模型，能够准确区分垃圾短信和正常短信。

该模型是基于MCG-NJU/videomae-base-finetuned-kinetics微调的版本，主要用于视频理解任务，在评估集上取得了91.38%的准确率。

基于MCG-NJU/videomae-base-finetuned-kinetics微调的视频理解模型，在评估集上准确率达91.23%

基于VideoMAE基础模型在UCF101子集上微调的视频分类模型

基于MCG-NJU/videomae-base-finetuned-kinetics微调的视频理解模型，在评估集上准确率达90.97%

基于XLM-RoBERTa-Large微调的财务文件分类模型，支持37种文件类型的分类任务。

基于DistilBERT的文本分类模型，用于区分食品与非食品文本

PhoBERT是基于RoBERTa架构优化的越南语预训练语言模型，适用于越南语文本分类任务。

基于Distilbert架构的Transformer模型，专注于巴西葡萄牙语的情感分析

基于Distilbert架构的Transformer模型，专注于巴西葡萄牙语的情感分析

基于econo-sentence-v2微调的金融领域情感分析模型，在金融短语银行数据集上达到96.2%准确率

基于vinai/phobert-base-v2微调的情感分析模型，在评估集上达到93.6%的准确率

MathFusionQA 是基于 deepseek-math-7b-base 的数学问题解决模型，通过指令融合增强大语言模型的数学问题解决能力。

该模型是基于FacebookAI的roberta-base在Webi-CPC-11数据集上微调的版本，主要用于文本分类任务，在评估集上取得了84.32%的准确率。

基于MCG-NJU/videomae-base微调的视频理解模型，专注于手语识别任务

基于MIT/ast-finetuned-audioset-10-10-0.4593微调的音频分类模型，专注于心音分类任务，在验证集上达到96.95%的准确率。

DeepSeek-R1 是一个基于 deepseek-ai 基础模型的改进版本，专注于音频文本转文本任务，支持英文语言处理。

基于cardiffnlp/twitter-xlm-roberta-base-sentiment-multilingual微调的YouTube评论情感分析模型，准确率80.17%

基于distilbert-base-uncased微调的情感分析模型，在评估集上准确率达到85.67%

基于DistilBERT的轻量级文本情感分析模型，专门针对书评数据进行微调

基于wav2vec2-base微调的深度伪造音频检测模型，准确率达99.66%

这是一个基于BERT模型微调的情感分析模型，专门用于分析IMDb电影评论的情感倾向（正面或负面）。

基于facebook/wav2vec2-base微调的语音处理模型，在评估集上准确率达99.48%

该模型是基于distilhubert在GTZAN音乐流派分类数据集上微调的音频分类模型，准确率达84%。

该模型是基于Audio Spectrogram Transformer (AST)架构的音频分类模型，在Audioset数据集上预训练后，又在GTZAN音乐流派分类数据集上进行了微调。

基于DistilHuBERT架构的音频分类模型，在GTZAN数据集上微调，用于音乐流派分类任务。

该模型是基于facebook/hubert-base-ls960微调的语音分类模型，主要用于二分类任务，在评估集上取得了78.26%的准确率。

基于 IBM Granite 嵌入模型微调的问题分类器，用于区分通用问题和定向问题

一个基于PyTorch和HuggingPics构建的图像分类模型，能够准确区分猫和狗的图片。

基于openai/whisper-tiny微调的语音分类模型，在语音命令数据集上表现优异