/ Модель

Характеристики

Контекст
512 токенов
Параметры
212 млн
Лицензия
MIT
Архитектура
deberta-v2 · dense
Базовая модель
Scideberta-full
Библиотека
transformers
Опубликована
18 июл 2025

SemCSE_cosine

ЭмбеддингиТекст → embedding6 профессий

Англоязычная модель на базе DeBERTa v2 для создания эмбеддингов научных текстов, семантического поиска и кластеризации с косинусным сравнением.

258скачиваний за 30 дней0лайковвеса обновлены18 июл 2025

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.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Эмбеддинги» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

SemCSE_cosine — модель для получения векторных представлений научных аннотаций и предложений, разработанная группой CLAUSE Билефельдского университета. Она основана на DeBERTa v2 и дообучена на KISTI-AI/Scideberta-full; содержит 211,6 млн параметров и принимает последовательности длиной до 512 токенов.

Модель предназначена для семантического поиска научных публикаций, кластеризации аннотаций и предложений, а также других задач сравнения и анализа текстовых эмбеддингов. В отличие от основной модели SemCSE, для вычисления сходства в пространстве эмбеддингов эта версия использует косинусное сходство. Разработчики сообщают о высоких результатах на собственном семантическом научном бенчмарке и SciRepEval.

Модель рассчитана преимущественно на английский язык и научные тексты. Для работы с ней нужны Transformers и подходящий способ сравнения эмбеддингов; размер входа ограничен контекстом в 512 токенов. Лицензия — MIT.

Сценарии применения

  • семантический поиск научных статей по запросу
  • поиск релевантных предложений в научных текстах
  • кластеризация научных аннотаций
  • сравнение смысловой близости аннотаций
  • создание эмбеддингов для анализа научных публикаций

Ограничения

Модель преимущественно рассчитана на английские научные тексты, а длина входа ограничена 512 токенами. Для получения сходства нужно использовать косинусную меру; результаты бенчмарков приведены разработчиками, но подробности в карточке не раскрыты.

Для каких профессий подходит6

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

SemCSE Model Card

The SemCSE model is an embedding model for scientific abstracts and sentences in general, usable for clustering, retrieval, and many other embedding-related applications. The novelty of our approach is the focus on embeddings that accurately reflect the semantics of the paper, which was lacking for many existing approaches that were trained using citation information.

The novel, semantically-oriented training procedure leads to state-of-the-art resutls on our novel semantic embedding benchmark (please see our paper for details), as well as to state-of-the-art results for models of its size on the established SciRepEval benchmark.

Note that this model uses cosine similarity for computing similarity in its embedding space. Our main model instead uses Euclidean distance.

Model Details

Model Description

  • Developed by: CLAUSE group at Bielefeld University
  • Model type: DeBERTa v2
  • Languages: Mostly english
  • Finetuned from model: KISTI-AI/Scideberta-full

Model Sources

How to Get Started with the Model

Minimal example on how to create embeddings with our model:

from transformers import AutoTokenizer, AutoModel
tokenizer = AutoTokenizer.from_pretrained("CLAUSE-Bielefeld/SemCSE_cosine")
model = AutoModel.from_pretrained("CLAUSE-Bielefeld/SemCSE_cosine")

text = "Your text to be embedded."
batch = tokenizer([text], return_tensors="pt")
embedding = model(**batch)["last_hidden_state"][0, 0]

Training Details

This model was trained on a dataset of summaries for 350K scientific abstracts from various domains. We used a triplet loss to encourage summaries of the same abstract to be placed nearby in the embedding space. The dataset and exact training procedure can be found in our GitHub repo,

Evaluation

We introduce a novel semantic scientific embedding benchmark:

ModelParamsTitle-Abstract ↓Abstract-Segments ↓Query ↓Clustering ↑
SciBERT109M807.74214.37213.450.569
SciDeBERTa183M1479.09861.552465.260.460
SPECTER109M10.2512.232.180.692
SciNCL109M5.687.352.290.702
SPECTER2 (base)109M4.525.101.170.666
SPECTER2 (proximity)110M5.345.801.460.666
all-MiniLM-L6-v222M3.098.191.110.730
Jina-v2137M3.298.771.290.703
Jina-v3572M3.456.961.010.719
RoBERTa SimCSE355M23.7144.248.920.696
NvEmbed-V27.9B3.383.841.020.721
SemCSE cosine (Ours)183M2.843.171.130.735

Notes:

  • Bold = Best result
  • Underlined = Second-best result
  • ↓ = Lower is better (ranking-based tasks)
  • ↑ = Higher is better (clustering and overall performance)

We also evaluate SemCSE on the SciRepEval benchmark:

ModelParametersClassification ↑Regression ↑Proximity ↑Search ↑Average ↑
SciBERT109M63.8627.3466.2568.1957.42
SciDeBERTa183M60.9927.0062.7467.8355.18
SPECTER109M67.7325.3780.0574.8964.28
SciNCL109M68.0425.2281.1877.3265.08
SPECTER2 base109M66.9527.7581.1078.4265.46
SPECTER2 proximity110M66.3726.8581.4177.7565.15
all-MiniLM-L6-v222M64.0420.0680.7479.6363.05
jina-v2137M63.9923.7680.1180.4063.69
jina-v3572M65.6624.8479.9880.6064.34
RoBERTa SimCSE355M67.1622.9575.5176.9762.10
NvEmbed-V27.9B65.6229.9481.1682.8466.19
SemCSE (Ours)183M69.7625.8880.6379.3365.72

Notes:

  • Bold = Best result
  • Underlined = Second-best result
  • ↑ = Higher is better

Citation

BibTeX:

@misc{brinner2025semcsesemanticcontrastivesentence,
      title={SemCSE: Semantic Contrastive Sentence Embeddings Using LLM-Generated Summaries For Scientific Abstracts}, 
      author={Marc Brinner and Sina Zarriess},
      year={2025},
      eprint={2507.13105},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2507.13105}, 
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
DebertaV2Model
Ревизия весов
abc7465

0 моделей