常用的NLP语言模型有以下几种：
统计语言模型（Statistical Language Model）：常用的统计语言模型包括N-gram模型和最大熵模型。N-gram模型是基于马尔可夫假设，通过统计每个单词的出现频率来计算句子的概率。最大熵模型是基于最大熵原理，通过最大化信息熵来推断句子的概率。
神经网络语言模型（Neural Network Language Model）：神经网络语言模型利用神经网络来学习句子的概率分布。常见的神经网络语言模型包括循环神经网络语言模型（RNNLM）和变换器模型（Transformer）等。
预训练语言模型（Pretrained Language Model）：预训练语言模型是通过在大规模文本语料上进行无监督学习得到的模型。常见的预训练语言模型包括word2vec、GloVe和BERT等。
序列到序列模型（Sequence-to-Sequence Model）：序列到序列模型是一种用于机器翻译、对话生成等任务的模型，可以将一个序列转换为另一个序列。常见的序列到序列模型包括基于循环神经网络的编码器-解码器模型（RNN Encoder-Decoder）和变换器模型等。
这些语言模型在NLP任务中都有广泛应用，用于词性标注、命名实体识别、机器翻译、文本生成等任务。具体选择哪种语言模型取决于任务的需求和数据的特点。
