Характеристики

Контекст: 514 токенов
Параметры: 137 млн
Архитектура: mpnet · dense
Опубликована: 17 мая 2024

Ссылки

SemStamp-c4-sbert

ЭмбеддингиТекст → embedding3 профессии

Дообученный текстовый эмбеддер MPNet для получения векторных представлений предложений в исследовательских конвейерах SemStamp по водяным знакам текста.

2 553скачиваний за 30 дней1лайквеса обновлены19 мая 2024

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

Добавьте модель в бенчмарк
Вместе с другими моделями категории «Эмбеддинги» — сравнение идёт внутри одной категории.
Опишите свои задачи
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
Запустите и опубликуйте
Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Открыть конструктор бенчмарка

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

AbeHou/SemStamp-c4-sbert — текстовый эмбеддер, опубликованный AbeHou для исследовательского проекта SemStamp. Это дообученная модель MPNet на базе sentence-transformers/all-mpnet-base-v1; она преобразует предложения в векторные представления и используется в конвейерах SemStamp для создания и обнаружения текстовых водяных знаков, в том числе при анализе текстов из C4. Модель имеет 136,7 млн параметров и максимальную длину последовательности 514 токенов.

Репозиторий содержит веса PyTorch и токенизатор; карточка Hugging Face указывает задачу feature-extraction. Языковые характеристики явно не описаны. Условия лицензии в доступных сведениях не установлены.

Сценарии применения

получение эмбеддингов предложений для SemStamp
поиск семантически близких предложений
подготовка текстовых эмбеддингов для кластеризации k-means
обнаружение водяных знаков SemStamp в сгенерированных текстах

Ограничения

Предназначение модели связано с конвейером SemStamp; карточка не подтверждает её пригодность для универсальных задач эмбеддингов. Условия лицензии и поддерживаемые естественные языки явно не установлены.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей II.11Разработка и данныеКибербезопасность и приватностьAI помогает обнаруживать киберугрозы, защищать данные и помогать реагировать на инциденты.25 задач4 232модели

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Автор не опубликовал карточку модели.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры: MPNetModel
Ревизия весов: a77dce8