/ Модель

Характеристики

Контекст
8 192 токена
Параметры
149 млн
Лицензия
Apache 2.0
Архитектура
modernbert · dense
Базовая модель
ModernBERT-base
Опубликована
11 окт 2025

dot_only

ЭмбеддингиТекст → embedding5 профессий

Дообученная на биомедицинских публикациях англоязычная модель ModernBERT для семантического поиска и сравнения научных текстов по эмбеддингам.

123скачиваний за 30 дней0лайковвеса обновлены10 ноя 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

EMBO/dot_only — модель векторных представлений из проекта SODA-VEC, разработанная для научных текстов в биомедицине и науках о жизни. Она дообучена на базе answerdotai/ModernBERT-base с контрастивным обучением и функцией потерь на основе скалярного произведения; архитектура ModernBERT-base включает 12 слоёв и 149 млн параметров. Модель принимает текст и формирует 768-мерные L2-нормализованные эмбеддинги с mean pooling. Её можно применять для семантического поиска научных публикаций и сравнения смысловой близости текстов.

Обучение проводилось на 26,473,900 парах заголовков и аннотаций из PubMed Central, поэтому модель лучше подходит для английских биомедицинских заголовков и аннотаций, чем для текстов общей тематики. Контекст модели — до 8192 токенов, однако для длинных документов может потребоваться разбиение на фрагменты. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • семантический поиск биомедицинских статей по запросу
  • поиск похожих аннотаций PubMed Central
  • сравнение смысловой близости научных текстов
  • поиск релевантных фрагментов в корпусе биомедицинских публикаций

Ограничения

Модель оптимизирована для английских биомедицинских текстов, особенно заголовков и аннотаций, и может хуже работать на текстах общей тематики. Длинные документы могут потребовать разбиения на фрагменты; модель наследует смещения корпуса PubMed Central.

Для каких профессий подходит5

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

Dot Only Model

Model Description

SODA-VEC embedding model trained with dot product loss only. This model uses normalized embeddings with only contrastive learning (dot product) to learn biomedical text representations.

This model is part of the SODA-VEC (Scientific Open Domain Adaptation for Vector Embeddings) project, which focuses on creating high-quality embedding models for biomedical and life sciences text.

Key Features:

  • Trained on 26.5M biomedical title-abstract pairs from PubMed Central
  • Based on ModernBERT-base architecture
  • Optimized for biomedical text similarity and semantic search
  • Produces 768-dimensional embeddings with mean pooling

Training Details

Training Data

Training Procedure

Loss Function: Dot Only: normalized embeddings with only dot product loss (diagonal + off-diagonal)

Coefficients: dot=1.0 Base Model: answerdotai/ModernBERT-base

Training Configuration:

  • GPUs: 4
  • Batch Size per GPU: 16
  • Gradient Accumulation: 4
  • Effective Batch Size: 256
  • Learning Rate: 2e-05
  • Warmup Steps: 100
  • Pooling Strategy: mean
  • Epochs: 1 (full dataset pass)

Training Command:

python scripts/soda-vec-train.py --config dot_only --coeff_dot 1 --push_to_hub --hub_org EMBO --save_limit 5

Model Architecture

  • Base Architecture: ModernBERT-base (12 layers, 768 hidden size)
  • Pooling: Mean pooling over token embeddings
  • Output Dimension: 768
  • Normalization: L2-normalized embeddings (for VICReg-based models)

Usage

Using Sentence-Transformers

from sentence_transformers import SentenceTransformer

# Load the model
model = SentenceTransformer("EMBO/dot_only")

# Encode sentences
sentences = [
    "CRISPR-Cas9 gene editing in human cells",
    "Genome editing using CRISPR technology"
]

embeddings = model.encode(sentences)
print(f"Embedding shape: {embeddings.shape}")

# Compute similarity
from sentence_transformers.util import cos_sim
similarity = cos_sim(embeddings[0], embeddings[1])
print(f"Similarity: {similarity.item():.4f}")

Using Hugging Face Transformers

from transformers import AutoTokenizer, AutoModel
import torch
import torch.nn.functional as F

# Load model and tokenizer
tokenizer = AutoTokenizer.from_pretrained("EMBO/dot_only")
model = AutoModel.from_pretrained("EMBO/dot_only")

# Encode sentences
sentences = [
    "CRISPR-Cas9 gene editing in human cells",
    "Genome editing using CRISPR technology"
]

inputs = tokenizer(sentences, padding=True, truncation=True, return_tensors="pt")
with torch.no_grad():
    outputs = model(**inputs)
    
# Mean pooling
embeddings = outputs.last_hidden_state.mean(dim=1)

# Normalize (for VICReg models)
embeddings = F.normalize(embeddings, p=2, dim=1)

# Compute similarity
similarity = F.cosine_similarity(embeddings[0:1], embeddings[1:2])
print(f"Similarity: {similarity.item():.4f}")

Intended Use

This model is designed for:

  • Biomedical Semantic Search: Finding relevant papers, abstracts, or text passages
  • Scientific Text Similarity: Computing similarity between biomedical texts

Limitations

  • Domain Specificity: Optimized for biomedical and life sciences text; may not perform as well on general domain text
  • Language: English only
  • Text Length: Optimized for titles and abstracts; longer documents may require chunking
  • Bias: Inherits biases from the training data (PubMed Central corpus)

Citation

If you use this model, please cite:

@software{soda_vec,
  title = {SODA-VEC: Scientific Open Domain Adaptation for Vector Embeddings},
  author = {EMBO},
  year = {2024},
  url = {https://github.com/source-data/soda-vec}
}

Model Card Contact

For questions or issues, please open an issue on the SODA-VEC GitHub repository.


Model Card Generated: 2025-11-10

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
ModernBertModel
Ревизия весов
af5458f

0 моделей