/ Модель

Характеристики

Контекст
512 токенов
Параметры
25,9 млн
Лицензия
Apache 2.0
Архитектура
bert · dense
Библиотека
sentence-transformers
Опубликована
27 апр 2026

saas-product-matcher

ЭмбеддингиТекст → embedding3 профессии

Дообученная модель эмбеддингов сопоставляет текстовые запросы с SaaS-продуктами для семантического поиска и рекомендаций.

105скачиваний за 30 дней2лайкавеса обновлены27 апр 2026

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

ComparEdge разработала эту модель семантического поиска SaaS-продуктов и рекомендаций. Она сопоставляет запрос на естественном языке с описаниями инструментов в базе ComparEdge, чтобы находить подходящие сервисы по категории, сценарию использования, функциям и ценовым условиям.

Модель дообучена для поиска на базе sentence-transformers/all-MiniLM-L6-v2. Это плотная BERT-модель с 25,9 млн параметров, которая принимает текст и создаёт эмбеддинги; максимальный контекст — 512 токенов. README сообщает о 331 продукте в каталоге и оценке на отложенных запросах: точность в топ-1 около 78%, в топ-5 — около 94%, MRR — 0,85. Для поиска нужны эмбеддинги товаров и индекс продуктов; в репозитории приведены готовые файлы для них и пример CLI.

Модель предназначена для SaaS-рекомендаций и поиска в каталоге ComparEdge, а её обучающие данные охватывают 28 категорий. Метаданные указывают английский язык и лицензию Apache-2.0. Показатели качества относятся к описанной в README оценке и не гарантируют аналогичных результатов на других каталогах или запросах.

Сценарии применения

  • поиск SaaS-инструментов по описанию задачи
  • подбор CRM по потребностям бизнеса
  • поиск недорогих или бесплатных сервисов
  • рекомендации программ по функциям и сценариям использования

Ограничения

README описывает оценку на отложенных запросах, но эти показатели не гарантируют качество на других каталогах и распределениях запросов. Для поиска необходимы каталог продуктов, их эмбеддинги и индекс.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

ComparEdge SaaS Product Matcher

Semantic search model for SaaS product recommendation. Fine-tuned on 331 product descriptions from ComparEdge — a live SaaS comparison platform covering dozens of categories.

Given a natural-language query, this model returns the most relevant SaaS tools from the ComparEdge database.

Quick Start

from sentence_transformers import SentenceTransformer
from sentence_transformers.util import cos_sim
from huggingface_hub import hf_hub_download
import numpy as np, json, torch

model = SentenceTransformer("ComparEdge/saas-product-matcher")

# Load pre-computed embeddings (hundreds of products, no re-encoding needed)
emb_path = hf_hub_download("ComparEdge/saas-product-matcher", "product_embeddings.npy")
idx_path  = hf_hub_download("ComparEdge/saas-product-matcher", "products_index.json")

embeddings = np.load(emb_path)
with open(idx_path) as f:
    products = json.load(f)

query  = "I need a CRM for a small startup"
q_emb  = model.encode(query, normalize_embeddings=True)
scores = cos_sim(torch.tensor(q_emb), torch.tensor(embeddings))[0]
top_idx = scores.argsort(descending=True)[:5]

for idx in top_idx:
    p = products[idx]
    print(f"{p['name']} ({p['category']}): {scores[idx]:.3f}")
    print(f"  → https://comparedge.com/tools/{p['slug']}")

Repository Files

FileDescription
product_embeddings.npyPre-computed normalized embeddings for all hundreds of products (shape: 331×384)
products_index.jsonMetadata index: slug, name, category, description
example_search.pyStandalone CLI search script

Training

Base model: sentence-transformers/all-MiniLM-L6-v2 (384-dim, 22M params)

Loss: MultipleNegativesRankingLoss — treats every other item in the batch as a hard negative, which works well for retrieval tasks without manual negative mining.

Training data: ~4,000 (query, product) pairs generated from 331 SaaS products across dozens of categories:

  • Natural-language queries from 16 templates per product ("best X tool", "cheap X software", etc.)
  • Product descriptions, long-form reviews, and feature lists
  • Use-case titles extracted from each product
  • Pricing signals (free-plan queries, under-$N queries)

Coverage: 28 SaaS categories from comparedge.com:

CategoryExample products
project-managementNotion, Asana, Linear, ClickUp
crmHubSpot, Pipedrive, Salesforce
email-marketingMailchimp, ActiveCampaign, Brevo
video-conferencingZoom, Google Meet, Whereby
ai-writingJasper, Copy.ai, Writesonic
design-toolsFigma, Canva, Adobe XD
password-managers1Password, Bitwarden, Dashlane
vpnNordVPN, ExpressVPN, Surfshark
… 20 more…

Performance

Evaluated on held-out queries not seen during training:

MetricScore
Top-1 accuracy~78%
Top-5 accuracy~94%
Mean Reciprocal Rank0.85

Links

  • 🌐 ComparEdge — Live SaaS comparison and product discovery platform
  • 📊 Dataset — Raw product data on HuggingFace
  • 🔗 API — REST API for programmatic access

Как запустить

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

GPU в ailist

Универсальный рантайм · sentence-transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
BertModel
Ревизия весов
b8480b4

0 моделей