Inicio Proyectos KoELECTRA
KoELECTRA
Python

KoELECTRA

Modelo ELECTRA Preentrenado para Coreano

por monologg · GitHub
Estrellas
Ramas
Licencia
Creado
Último commit
Categoría
Lenguaje
electrakorean-nlplanguage-modelApache-2.0Python
Ver en GitHub
En palabras simples

Usa KoELECTRA para analizar y entender texto en coreano con herramientas avanzadas de procesamiento del lenguaje.

¿Mantienes este proyecto?

Reivindica su pagina: indexada sea cual sea su posicion, traducida a seis idiomas y enriquecida con tus propias palabras.

Reivindicar esta pagina →
KoELECTRA — GitHub preview card
📈 Historial de estrellas
638637
2026-07-202026-08-31
📈 Sigue KoELECTRA

Recibe una alerta por correo en su próximo lanzamiento o cuando despegue — no te pierdas nada.

Gratis · sin tarjeta · cancela cuando quieras
Recibir alertas por email →
📄 Acerca de

Modelo ELECTRA Preentrenado para Coreano

KoELECTRA tiene 637 estrellas en GitHub. Se ha bifurcado 135 veces. KoELECTRA está escrito principalmente en Python. Se desarrolla activamente desde 2020. KoELECTRA está disponible bajo la licencia Apache-2.0. Sus temas principales son: electra, korean-nlp, language-model, nlp.

Frequently asked questions

¿Qué es KoELECTRA?

Modelo ELECTRA Preentrenado para Coreano

¿KoELECTRA es de código abierto?

KoELECTRA es un proyecto de código abierto. Se distribuye bajo la licencia Apache-2.0.

¿KoELECTRA es gratis?

Sí. KoELECTRA es gratuito y de código abierto: puedes usarlo, modificarlo y alojarlo tú mismo.

¿Bajo qué licencia está KoELECTRA?

KoELECTRA está disponible bajo la licencia Apache-2.0.

¿En qué lenguaje está escrito KoELECTRA?

KoELECTRA está escrito principalmente en Python.

🏅 ¿Mantenedor de este proyecto?
olud.ai badge — KoELECTRA

Agrega este distintivo en vivo a tu README — tus estrellas de GitHub y rango en el directorio, actualizados diariamente.

[![olud.ai](https://olud.ai/badge.php?tool=monologg-koelectra)](https://olud.ai/project/monologg-koelectra.html)
Más opciones de distintivos →
🧬 Comparte ADN con🧬 Ver el mapa de ADN →

Medido a partir de los topics de GitHub comunes a ambos proyectos, ponderados por su rareza.