NLP（自然语言处理）语言模型有以下几种：

1. 词嵌入模型：如Word2Vec、GloVe等，可以将单词和词组表示为向量空间中的向量，用于词义消歧、文本分类、推荐系统等任务。
2. 递归神经网络（RNN）：用于处理序列数据，如文本或语音。它能够处理变长输入序列，并且可以双向或循环连接，适用于情感分析、机器翻译等任务。
3. 长短期记忆网络（LSTM）：是RNN的一种改进，能够更好地处理长时间依赖关系和序列中的噪音。它具有记忆单元，可以控制信息在神经网络中的流动，适用于语言建模、文本生成等任务。
4. 卷积神经网络（CNN）：适用于处理结构化数据，如文本和语音。它可以对输入进行局部采样，并通过卷积操作提取特征，适用于文本分类、情感分析等任务。
5. 深度学习模型：如Transformer、BERT等，基于自注意力机制和预训练方法，能够处理多种自然语言处理任务。它们具有强大的表示能力和泛化能力，适用于机器翻译、文本分类、情感分析等任务。
6. 生成模型：如GAN、VQ-VAE等，用于生成文本或语音。它们通过对大量数据的学习，能够生成与真实数据相似的样本，适用于文本生成、语音合成等任务。
7. 强化学习模型：用于训练智能体进行自然语言交互。它通过与环境的交互来学习语言策略和行为规则，适用于对话系统、智能客服等任务。

总之，NLP语言模型的种类非常丰富，每种模型都有其特定的应用场景和优势。在具体应用中，需要根据任务需求选择合适的模型，并结合特征工程和调参技巧来提高模型的性能。