AI 模型广场

Bio ClinicalBERT 是一个专门针对临床医疗文本微调的预训练模型，它在通用 BERT 的基础上，通过海量的 MIMIC-III 临床数据库进行二次训练，使其能够精准理解电子病历、出院小结等非结构化医疗文档。相比于通用模型，它能更...

BERT Large Portuguese Cased 是由 Neuralmind 开发的针对葡萄牙语优化的预训练模型。它基于 BERT-Large 架构，在海量葡语语料上进行了深度训练，能够精准捕捉该语言的语法特性和上下文语义。对于需要处...

BERT Base Uncased 是由 Google 推出且极具里程碑意义的预训练模型。它采用了双向 Transformer 架构，能够深度理解上下文语义，而非简单的从左到右扫描。该版本在预训练时去除了英文大小写区分（Uncased），在...

BERT-base-cased 是由 Google 推出的经典预训练语言模型，采用双向 Transformer 架构。与不区分大小写的 uncased 版本不同，cased 版本保留了文本的大小写信息，这使其在处理命名实体识别（NER）或区...

ModernBERT 是对经典 BERT 架构的一次现代化升级，旨在解决传统编码器模型在长文本处理和训练效率上的短板。它引入了旋转位置编码（RoPE）和 GeGLU 激活函数，原生支持高达 8k 的上下文窗口，极大提升了对长文档的理解能力。...

DeBERTa-v3-base 是微软推出的增强版 BERT，是目前 NLP 领域最强的编码器模型之一。它通过改进的掩码语言模型（MLM）预训练策略，在不增加参数量的前提下，显著提升了对语义理解和逻辑推理的捕捉能力。对于开发者来说，它非常适...

DeBERTa-v3-large 是微软推出的增强版 BERT 编码器模型，通过改进的掩码语言模型（MLM）训练策略，在处理自然语言理解（NLU）任务时表现极强。它在语义理解和逻辑推理上显著优于原版 BERT 和 RoBERTa，尤其擅长文...

DistilBERT 是 BERT 的轻量化精简版，通过知识蒸馏技术在保留大部分自然语言理解能力的同时，大幅降低了模型体积和推理延迟。它采用了 uncased 版本，这意味着不区分大小写，更适合处理通用文本。对于开发者而言，它在性能和速度之...

BERT-base-multilingual-cased 是由 Google 推出的一款经典多语言预训练模型。它不同于生成式 AI，而是一个强大的“特征提取器”，擅长理解文本的深层语义。由于涵盖了包括中文在内的 104 种语言，它在处理跨语...

BERT-base-multilingual-uncased 是 Google 推出的一款经典多语言预训练模型。它通过在 104 种语言的大规模语料上进行掩码语言模型（MLM）训练，具备极强的跨语言语义理解能力。与通用生成式 AI 不同，它...

RoBERTa-large 是对经典 BERT 的强力优化版，由 Meta (Facebook AI) 推出。它通过更海量的数据集、更长的训练时长以及取消掉 BERT 中的下一句预测 (NSP) 任务，显著提升了模型在自然语言理解 (NLU...

XLM-RoBERTa Base 是由 FacebookAI 推出的多语言预训练模型，本质上是 RoBERTa 在海量多语言语料上的扩展版。它最大的特点是不依赖语言特定的标记，能够直接处理 100 多种语言。对于中国开发者而言，它在处理中英...

mDeBERTa-v3-base 是微软推出的多语言增强版 BERT 模型，采用了更高效的解耦注意力机制（Disentangled Attention）。相比传统的 BERT 或 RoBERTa，它在处理多种语言的语义理解上表现更强，且在掩...

ESM-2 是由 Meta AI 开发的蛋白质语言模型，t33 650M 版本在性能与计算开销之间取得了极佳平衡。它将蛋白质序列视为一种“语言”，通过在海量蛋白质数据库上进行掩码语言模型（Masked Language Modeling）预...

RoBERTa-base 是对 BERT 的优化增强版，由 Facebook AI 开发。它在预训练阶段通过更大的数据集、更长的训练时间和动态掩码策略，显著提升了对自然语言的理解能力。对于中国开发者而言，它是一个极其稳定的文本特征提取基座，...

XLM-RoBERTa Large 是由 FacebookAI 推出的一个强力多语言预训练模型。它在 RoBERTa 的基础上通过海量多语言数据训练，解决了传统模型在处理非英语语料时效果打折的问题。对于开发者而言，它最核心的价值在于“通用性...

distilroberta-base 是 RoBERTa 模型的轻量化蒸馏版本，旨在在保持强大语义理解能力的同时，显著降低推理延迟和计算资源占用。对于中国开发者而言，它是一个极佳的“性价比”选择：既拥有比 BERT 更强的鲁棒性，又比原版 ...