/ Модель

Характеристики

Контекст
512 токенов
Параметры
137 млн
Лицензия
MIT
Архитектура
bert · dense
Базовая модель
bert-base-uncased
Библиотека
sentence-transformers
Опубликована
5 фев 2025

oe-sbert-embedding

ЭмбеддингиТекст → embedding

Модель на базе BERT создаёт эмбеддинги английских научных текстов по оптоэлектронике для семантического поиска и кластеризации.

113скачиваний за 30 дней0лайковвеса обновлены1 авг 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

Dingyun-Huang/oe-sbert-embedding — англоязычная модель Sentence Transformers для получения плотных векторных представлений предложений и абзацев. Она основана на bert-base-uncased: модель адаптировали к научной литературе по оптоэлектронике, а затем дообучили на заголовках и аннотациях статей, чтобы улучшить качество эмбеддингов. Разработчики связывают её с проектом OptoelectronicsLM и работой о доменно-адаптивном предварительном обучении для задач оптоэлектроники.

Модель содержит 136,7 млн параметров, выдаёт векторы размерности 768 и принимает последовательности длиной до 512 токенов. Её можно применять для семантического поиска и кластеризации научных текстов по оптоэлектронике; метаданные также указывают поддержку извлечения признаков и сравнения предложений. Доступны веса в формате safetensors, лицензия — MIT.

Модель рассчитана на английские тексты и специализирована на оптоэлектронике. Результаты для других областей и языков могут быть хуже; предел контекста в 512 токенов ограничивает обработку длинных документов без разбиения на фрагменты.

Сценарии применения

  • Семантический поиск по статьям об оптоэлектронике
  • Поиск похожих аннотаций научных работ
  • Кластеризация заголовков и аннотаций статей
  • Извлечение векторных признаков из научных текстов
  • Сравнение семантической близости предложений по оптоэлектронике

Ограничения

Модель адаптирована для английской научной литературы по оптоэлектронике, поэтому качество в других предметных областях и языках может быть ниже. Контекст ограничен 512 токенами; длинные документы следует разбивать на фрагменты.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Dingyun-Huang/oe-sroberta-embedding

This is a sentence-transformers model: It maps sentences & paragraphs to a 768 dimensional dense vector space and can be used for tasks like clustering or semantic search.

The OE-BERT model is domain adapted from bert-base-uncased over research literature in optoelectronics. The adapted model is then fine-tuned on abstracts and titles of optoelectronics research articles for embedding capabilities.

Model Details

Model Description

  • Language(s) (NLP): English
  • Adapted from model: bert-base-uncased

Model Sources

Usage (Sentence-Transformers)

Using this model becomes easy when you have sentence-transformers installed:

pip install -U sentence-transformers

Then you can use the model like this:

from sentence_transformers import SentenceTransformer
sentences = ["This is an example sentence", "Each sentence is converted"]

model = SentenceTransformer('Dingyun-Huang/oe-sroberta-embedding')
embeddings = model.encode(sentences)
print(embeddings)

Usage (HuggingFace Transformers)

Without sentence-transformers, you can use the model like this: First, you pass your input through the transformer model, then you have to apply the right pooling-operation on-top of the contextualized word embeddings.

from transformers import AutoTokenizer, AutoModel
import torch


#Mean Pooling - Take attention mask into account for correct averaging
def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output[0] #First element of model_output contains all token embeddings
    input_mask_expanded = attention_mask.unsqueeze(-1).expand(token_embeddings.size()).float()
    return torch.sum(token_embeddings * input_mask_expanded, 1) / torch.clamp(input_mask_expanded.sum(1), min=1e-9)


# Sentences we want sentence embeddings for
sentences = ['This is an example sentence', 'Each sentence is converted']

# Load model from HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('Dingyun-Huang/oe-sroberta-embedding')
model = AutoModel.from_pretrained('Dingyun-Huang/oe-sroberta-embedding')

# Tokenize sentences
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')

# Compute token embeddings
with torch.no_grad():
    model_output = model(**encoded_input)

# Perform pooling. In this case, mean pooling.
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

print("Sentence embeddings:")
print(sentence_embeddings)

Evaluation Results

For an automated evaluation of this model, see the Sentence Embeddings Benchmark: https://seb.sbert.net

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: RobertaModel 
  (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True})
)

Citing & Authors

BibTeX:

@article{doi:10.1021/acs.jcim.4c02029,
  author = {Huang, Dingyun and Cole, Jacqueline M.},
  title = {Cost-Efficient Domain-Adaptive Pretraining of Language Models for Optoelectronics Applications},
  journal = {Journal of Chemical Information and Modeling},
  volume = {65},
  number = {5},
  pages = {2476-2486},
  year = {2025},
  doi = {10.1021/acs.jcim.4c02029},
      note ={PMID: 39933074},
  URL = {
          https://doi.org/10.1021/acs.jcim.4c02029
  },
  eprint = { 
          https://doi.org/10.1021/acs.jcim.4c02029
  }
}

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
ca4c85f

0 моделей