/ Модель

Характеристики

Контекст
512 токенов
Параметры
40 млн
Лицензия
MIT
Архитектура
bert · dense
Базовая модель
all-MiniLM-L12-v2
Опубликована
14 фев 2026

biblical-topical-search-chirho

ЭмбеддингиТекст → embedding3 профессии

Англоязычная модель эмбеддингов для семантического поиска стихов KJV по богословским тематическим запросам.

111скачиваний за 30 дней0лайковвеса обновлены15 фев 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

Biblical Topical Search — англоязычная модель семантического поиска библейских стихов по тематическим запросам, разработанная в рамках проекта Bible.Systems. Она дообучена на sentence-transformers/all-MiniLM-L12-v2 и преобразует запросы и тексты отрывков в эмбеддинги для поиска и сравнения по смыслу. Архитектура основана на BERT, размер модели — около 40 млн параметров, длина контекста — 512 токенов.

Модель обучалась на 136 000 парах «запрос — отрывок» из Nave’s Topical Bible и Treasury of Scripture Knowledge, чтобы находить релевантные стихи перевода KJV по богословским темам. В README указаны метрики NDCG@10 0,1831 и Accuracy@10 0,3188; результаты относятся к описанной авторами оценке. Модель распространяется по лицензии MIT.

Сценарии применения

  • поиск стихов Библии по теме или богословскому вопросу
  • подбор связанных стихов по смыслу
  • ранжирование библейских отрывков по релевантности запросу

Ограничения

Модель ориентирована на тематический поиск английских отрывков KJV; результаты оценки в README показывают умеренные значения метрик и не гарантируют полноту или точность поиска для каждого запроса.

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

Biblical Topical Search - Chirho

Semantic search model for finding biblical passages by topic. Fine-tuned on Nave's Topical Bible (30,000+ entries) and Treasury of Scripture Knowledge cross-references to retrieve relevant KJV verses for any theological query.

Model Details

  • Base Model: sentence-transformers/all-MiniLM-L12-v2 (33M params, 384-dim)
  • Training Data: 136,000 query-passage pairs from Nave's Topical Bible + TSK
  • Loss: MultipleNegativesRankingLoss
  • Training: 5 epochs, batch 16, lr 2e-5, cosine scheduler
  • Hardware: Apple M4 Pro (MPS), ~2 hours

Metrics (v2 - MiniLM-L12-v2 upgrade)

Metricv1 (L6-v2)v2 (L12-v2)Change
NDCG@100.16760.1831+9.3%
Accuracy@100.28820.3188+10.6%
MRR@100.13050.1415+8.4%
MAP@100.13050.1415+8.4%

Training Trajectory (v2)

EpochNDCG@10Accuracy@10
10.15140.257
20.16540.286
30.17490.302
40.17950.313
50.18310.319

Usage

from sentence_transformers import SentenceTransformer
import numpy as np

model = SentenceTransformer("LoveJesus/biblical-topical-search-chirho")

query = "What does the Bible say about forgiveness?"
verses = [
    "For if ye forgive men their trespasses, your heavenly Father will also forgive you. - Matthew 6:14",
    "In the beginning God created the heaven and the earth. - Genesis 1:1",
    "As far as the east is from the west, so far hath he removed our transgressions from us. - Psalm 103:12",
]

query_emb = model.encode([query])
verse_embs = model.encode(verses)

scores = np.dot(verse_embs, query_emb.T).flatten()
ranked = sorted(zip(scores, verses), reverse=True)
for score, verse in ranked:
    print(f"  {score:.3f}: {verse}")

Part of Bible.Systems

This model is part of the Bible.Systems AI models project — open-source machine learning for biblical scholarship.

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
15e4e59

0 моделей