/ Модель

Характеристики

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

topical-passage-classifier-chirho

ЭмбеддингиТекст → embedding3 профессии

Англоязычная модель эмбеддингов для семантического поиска библейских стихов по тематическим запросам.

181скачиваний 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

LoveJesus разработала англоязычную модель семантического поиска библейских отрывков по тематическим запросам. Это дообученная модель Sentence Transformers на базе sentence-transformers/all-MiniLM-L12-v2: архитектура BERT, около 40 млн параметров, эмбеддинги размерности 384 и контекст до 512 токенов. Обучение проводилось на 136 тысячах пар «запрос — отрывок», составленных по Nave’s Topical Bible и перекрёстным ссылкам Treasury of Scripture Knowledge.

Модель сопоставляет запросы на богословские темы с библейскими отрывками и помогает находить подходящие стихи перевода KJV. По README, на тестировании NDCG@10 составила 0,1831, Accuracy@10 — 0,3188, а MRR@10 — 0,1415; эти показатели характеризуют качество ранжирования на использованном наборе данных и не гарантируют точность для любых запросов. Модель распространяется по лицензии MIT.

Сценарии применения

  • поиск стихов KJV по богословской теме
  • подбор библейских отрывков к текстовому запросу
  • семантическое сопоставление тем и библейских цитат

Ограничения

Модель ориентирована на английские запросы и отрывки KJV; показатели качества приведены для конкретного тестового набора и умеренны. Контекст ограничен 512 токенами.

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
258fc23

0 моделей