Характеристики

Контекст: 512 токенов
Параметры: 18,8 млн
Лицензия: MIT
Архитектура: bert · dense
Базовая модель: bge-micro-v2
Опубликована: 11 авг 2026

Ссылки

bsca-bge-micro-v2-contrastive-v15-gold-v3-multidomain-384

ЭмбеддингиТекст → embedding3 профессии

Компактная BERT-модель Labradorlabs создаёт эмбеддинги для поиска соответствий между псевдокодом C и исходным кодом в бинарном анализе.

15скачиваний за 30 дней0лайковвеса обновлены12 авг 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.

Добавьте модель в бенчмарк
Вместе с другими моделями категории «Эмбеддинги» — сравнение идёт внутри одной категории.
Опишите свои задачи
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
Запустите и опубликуйте
Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Открыть конструктор бенчмарка

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

BSCA BGE-Micro-v2 Gold v3 Multidomain — компактная BERT-модель Labradorlabs для получения эмбеддингов псевдокода C после снятия символов и исходного кода. Она дообучена на базе TaylorAI/bge-micro-v2 контрастивным методом для поиска соответствий между декомпилированным псевдокодом и исходными функциями в задачах анализа бинарных файлов. Модель содержит 18,8 млн параметров; README указывает размер эмбеддинга 384 и максимум 384 токена, а метаданные — контекст 512 токенов. Для получения векторов применяются mean pooling с маской внимания и L2-нормализация.

Модель предназначена для поиска исходного кода по псевдокоду в ограниченной области поставки Gold: ELF/Linux и PE x86_64 Windows-GNU, для представлений direct-TU. На замороженном тесте указаны R@1 0,3294, R@10 0,6488 и MRR 0,4431. Используйте одну и ту же ревизию модели для запросов и индексируемых векторов. В README отмечено, что модель ещё не прошла внешний слепой SCA-гейт. Лицензия — MIT.

Сценарии применения

поиск исходного кода функции по декомпилированному псевдокоду
ранжирование исходных функций по сходству с псевдокодом
индексация функций для семантического поиска по бинарным файлам

Ограничения

Область применения ограничена указанными в README представлениями ELF/Linux и PE x86_64 Windows-GNU; внешний слепой SCA-гейт ещё не пройден. Для запросов и векторного индекса требуется использовать одну ревизию модели.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

II.11Разработка и данныеКибербезопасность и приватностьAI помогает обнаруживать киберугрозы, защищать данные и помогать реагировать на инциденты.25 задач4 232модели II.5Разработка и данныеБезопасность программного кода и цепочки поставокAI помогает выявлять уязвимости в коде и цепочке поставок программного обеспечения.20 задач1 806моделей II.2Разработка и данныеСоздание и понимание программного кодаAI помогает писать, объяснять и связывать программный код с требованиями и существующей системой.20 задач21 443модели

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

BSCA BGE-Micro-v2 Gold v3 Multidomain

Embedding model for stripped pseudo-C → source retrieval.

Model ID: Labradorlabs/bsca-bge-micro-v2-contrastive-v15-gold-v3-multidomain-384
Backbone: TaylorAI/bge-micro-v2
Initialization / training mode: weights-restart from artifacts/reference_v2/models/gold-scale-v2-seed44; optimizer, scheduler, and RNG state were reinitialized (fresh-or-weights-restart)
Dimension / maximum tokens: 384 / 384
Development-only selected seed: 44 (R@1 0.3186, MRR 0.3553)
Frozen test result: R@1 0.3294, R@10 0.6488, MRR 0.4431
Training data: Labradorlabs/bsca-binary-source-gold-v3-multidomain

Embed query pseudo-C and source code with attention-mask mean pooling followed by L2 normalization. Use the exact model revision recorded by the associated ReferenceDB vector manifest; do not combine it with vectors from another model revision.

Scope is limited to the accompanying Gold distribution: ELF/Linux and PE x86_64 Windows-GNU direct-TU views. The model is not promoted by an external blind SCA gate yet.

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: dd05a36