/ Модель

Характеристики

Контекст
512 токенов
Параметры
137 млн
Лицензия
Apache 2.0
Архитектура
bert · dense
Базовая модель
ModernBERT-base
Опубликована
10 ноя 2025

negative_sampling_pmb

ЭмбеддингиТекст → embedding4 профессии

Англоязычная модель эмбеддингов для семантического поиска и сравнения сходства биомедицинских текстов.

113скачиваний 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 разработала SODA-VEC negative_sampling_pmb — модель для получения векторных представлений биомедицинских и научных текстов. Она дообучена на базе answerdotai/ModernBERT-base с использованием контрастивного обучения и отрицательных примеров; архитектура — BERT, 136,7 млн параметров, с mean pooling и выходными эмбеддингами размерности 768. Модель рассчитана на поиск семантически близких текстов и сравнение сходства биомедицинских публикаций, особенно заголовков и аннотаций.

Для обучения использованы 26,5 млн пар «заголовок—аннотация» из PubMed Central. Модель принимает английский текст и выдаёт эмбеддинги, подходящие для семантического поиска, ранжирования по сходству и анализа тематической близости. Лицензия — Apache-2.0.

Модель специализирована на биомедицине и науках о жизни и может хуже работать с текстами других областей. Для длинных документов рекомендуется разбивать текст на фрагменты; модель также наследует смещения корпуса PubMed Central.

Сценарии применения

  • поиск научных статей по смыслу
  • поиск биомедицинских фрагментов и аннотаций
  • сравнение сходства заголовков и аннотаций публикаций
  • поиск тематически близких биомедицинских текстов
  • разделение текстов по биологическим и медицинским направлениям

Ограничения

Оптимизирована для англоязычных биомедицинских текстов, особенно заголовков и аннотаций; на текстах других областей может работать хуже. Длинные документы рекомендуется разбивать на фрагменты, а модель наследует смещения корпуса PubMed Central.

Для каких профессий подходит4

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

Negative Sampling PMB Model

Model Description

SODA-VEC embedding model trained with negative sampling (MultipleNegativesRankingLoss). This is the PMB (PubMed) version, optimized for biomedical text similarity tasks using the standard sentence-transformers approach.

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 microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract-fulltext architecture
  • Optimized for biomedical text similarity and semantic search
  • Produces 768-dimensional embeddings with mean pooling

Training Details

Training Data

Training Procedure

Loss Function: MultipleNegativesRankingLoss: standard negative sampling approach used in sentence-transformers

Base Model: microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract-fulltext

Training Configuration:

  • GPUs: 4
  • Batch Size per GPU: 32
  • Gradient Accumulation: 4
  • Effective Batch Size: 512
  • Learning Rate: 2e-05
  • Warmup Steps: 100
  • Pooling Strategy: mean
  • Epochs: 1 (full dataset pass)

Training Command:

python scripts/soda-vec-train.py --config negative_sampling --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/negative_sampling_pmb")

# 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/negative_sampling_pmb")
model = AutoModel.from_pretrained("EMBO/negative_sampling_pmb")

# 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}")

Evaluation

The model has been evaluated on comprehensive biomedical benchmarks including:

  • Journal-Category Classification: Matching journals to BioRxiv subject categories
  • Title-Abstract Similarity: Discriminating between related and unrelated paper pairs
  • Field-Specific Separability: Distinguishing between different biological fields
  • Semantic Search: Retrieval quality on biomedical text corpora

For detailed evaluation results, see the SODA-VEC benchmark notebooks.

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
BertModel
Ревизия весов
a3d002a

0 моделей