/ Модель

Характеристики

Контекст
1 000 000 токенов
Лицензия
Apache 2.0
Архитектура
model2vec · dense
Базовая модель
pubmedbert-base-embeddings
Опубликована
3 янв 2025

pubmedbert-base-embeddings-100K

ЭмбеддингиТекст → embedding6 профессий

Компактная англоязычная модель эмбеддингов медицинских текстов для семантического поиска, сравнения предложений и RAG.

369скачиваний за 30 дней2лайкавеса обновлены17 апр 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки12

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

  • PublicHealthQA

    main_score

    Результат

    0,1574

    Общий результат 0,3603Общий результат 0,2974Общий результат 0,224
    MTEB

    Публичная таблицадругая ревизия

  • SciFact

    main_score

    Результат

    0,2266

    MTEB

    Публичная таблицадругая ревизия

  • CUREv1

    main_score

    Результат

    0,0336

    Общий результат 0,0937Общий результат 0,0872Общий результат 0,0863
    MTEB

    Публичная таблицадругая ревизия

  • MedrxivClusteringS2S.v2

    main_score

    Результат

    0,2786

    MTEB

    Публичная таблицадругая ревизия

  • CMedQAv2-reranking

    main_score

    Результат

    0,0558

    MTEB

    Публичная таблицадругая ревизия

  • MedicalQARetrieval

    main_score

    Результат

    0,0531

    MTEB

    Публичная таблицадругая ревизия

  • SciFact-PL

    main_score

    Результат

    0,072

    MTEB

    Публичная таблицадругая ревизия

  • NFCorpus

    main_score

    Результат

    0,0675

    MTEB

    Публичная таблицадругая ревизия

  • TRECCOVID

    main_score

    Результат

    0,1735

    MTEB

    Публичная таблицадругая ревизия

  • MedrxivClusteringP2P.v2

    main_score

    Результат

    0,329

    MTEB

    Публичная таблицадругая ревизия

  • CmedqaRetrieval

    main_score

    Результат

    0,0104

    MTEB

    Публичная таблицадругая ревизия

  • TRECCOVID-PL

    main_score

    Результат

    0,0286

    MTEB

    Публичная таблицадругая ревизия

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

PubMedBERT Embeddings 100K — компактная модель статических эмбеддингов, созданная NeuML путём сокращения словаря версии PubMedBERT Embeddings 2M: оставлены наиболее часто встречающиеся 5% токенов. Модель предназначена для построения векторных представлений медицинских текстов, семантического поиска и использования в системах RAG; её можно подключать через txtai, Sentence-Transformers или Model2Vec.

В карточке приведены результаты оценки на наборах PubMed QA, PubMed Subset и PubMed Summary. По сравнению с исходной моделью без сокращения словаря точность заметно снижается, хотя модель превосходит наивный дистиллированный вариант без обучения. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. Метаданные указывают контекст в 1 000 000 токенов.

Сценарии применения

  • семантический поиск по медицинским статьям PubMed
  • поиск релевантных ответов в корпусе PubMed QA
  • сравнение смысловой близости медицинских предложений
  • индексация аннотаций статей для поиска
  • подбор источников для RAG по медицинским документам

Ограничения

Сокращение словаря до наиболее частых 5% токенов снижает точность по сравнению с исходной моделью; в README этот вариант также уступает модели с сокращением словаря до 500K токенов. Оценка приведена на ограниченном наборе задач PubMed.

Для каких профессий подходит6

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

PubMedBERT Embeddings 100K

This is a pruned version of PubMedBERT Embeddings 2M. It prunes the vocabulary to take the top 5% most frequently used tokens.

See Extremely Small BERT Models from Mixed-Vocabulary Training for background on pruning vocabularies to build smaller models.

Usage (txtai)

This model can be used to build embeddings databases with txtai for semantic search and/or as a knowledge source for retrieval augmented generation (RAG).

import txtai

# Create embeddings
embeddings = txtai.Embeddings(
  path="neuml/pubmedbert-base-embeddings-100K",
  content=True,
)
embeddings.index(documents())

# Run a query
embeddings.search("query to run")

Usage (Sentence-Transformers)

Alternatively, the model can be loaded with sentence-transformers.

from sentence_transformers import SentenceTransformer
from sentence_transformers.models import StaticEmbedding

# Initialize a StaticEmbedding module
static = StaticEmbedding.from_model2vec("neuml/pubmedbert-base-embeddings-100K")
model = SentenceTransformer(modules=[static])

sentences = ["This is an example sentence", "Each sentence is converted"]
embeddings = model.encode(sentences)
print(embeddings)

Usage (Model2Vec)

The model can also be used directly with Model2Vec.

from model2vec import StaticModel

# Load a pretrained Model2Vec model
model = StaticModel.from_pretrained("neuml/pubmedbert-base-embeddings-100K")

# Compute text embeddings
sentences = ["This is an example sentence", "Each sentence is converted"]
embeddings = model.encode(sentences)
print(embeddings)

Evaluation Results

The following compares performance of this model against the models previously compared with PubMedBERT Embeddings. The following datasets were used to evaluate model performance.

  • PubMed QA
    • Subset: pqa_labeled, Split: train, Pair: (question, long_answer)
  • PubMed Subset
    • Split: test, Pair: (title, text)
  • PubMed Summary
    • Subset: pubmed, Split: validation, Pair: (article, abstract)

The Pearson correlation coefficient is used as the evaluation metric.

ModelPubMed QAPubMed SubsetPubMed SummaryAverage
pubmedbert-base-embeddings-8M-M2V (No training)69.8470.7771.3070.64
pubmedbert-base-embeddings-100K74.5684.6581.8480.35
pubmedbert-base-embeddings-500K86.0391.7191.2589.66
pubmedbert-base-embeddings-1M87.8792.8092.8791.18
pubmedbert-base-embeddings-2M88.6293.0893.2491.65

It's quite a steep dropoff in accuracy compared the original unpruned model. Although this model still scores higher than the naive distilled version without training

Runtime performance

As another test, let's see how long each model takes to index 120K article abstracts using the following code. All indexing is done with a RTX 3090 GPU.

from datasets import load_dataset
from tqdm import tqdm
from txtai import Embeddings

ds = load_dataset("ccdv/pubmed-summarization", split="train")

embeddings = Embeddings(path="path to model", content=True, backend="numpy")
embeddings.index(tqdm(ds["abstract"]))
ModelModel Size (MB)Index time (s)
pubmedbert-base-embeddings-100K0.219
pubmedbert-base-embeddings-500K1.017
pubmedbert-base-embeddings-1M2.017
pubmedbert-base-embeddings-2M7.517

Vocabulary pruning leads to a slighly higher runtime. This is attributed to the fact that more tokens are needed to represent text. But the model is much smaller. Vectors are stored at int16 precision. This can be beneficial to smaller/lower powered embedded devices and could lead to faster vectorization times.

Training

This model was vocabulary pruned using the following script.

import json
import os

from collections import Counter
from pathlib import Path

import numpy as np

from model2vec import StaticModel
from more_itertools import batched
from sklearn.decomposition import PCA
from tokenlearn.train import collect_means_and_texts
from tokenizers import Tokenizer
from tqdm import tqdm
from txtai.scoring import ScoringFactory

def tokenize(tokenizer):
    # Tokenize into dataset
    dataset = []
    for t in tqdm(batched(texts, 1024)):
        encodings = tokenizer.encode_batch_fast(t, add_special_tokens=False)
        for e in encodings:
            dataset.append((None, e.ids, None))

    return dataset

def tokenweights(tokenizer):
    dataset = tokenize(tokenizer)

    # Build scoring index
    scoring = ScoringFactory.create({"method": "bm25", "terms": True})
    scoring.index(dataset)

    # Calculate mean value of weights array per token
    tokens = np.zeros(tokenizer.get_vocab_size())
    for x in scoring.idf:
        tokens[x] = np.mean(scoring.terms.weights(x)[1])

    return tokens

# See PubMedBERT Embeddings 2M model for details on this data
features = "features"
paths = sorted(Path(features).glob("*.json"))
texts, _ = collect_means_and_texts(paths)

# Output model parameters
output = "output path"
params, dims = 100000, 64

path = "pubmedbert-base-embeddings-2M_unweighted"
model = StaticModel.from_pretrained(path)

os.makedirs(output, exist_ok=True)

with open(f"{path}/tokenizer.json", "r", encoding="utf-8") as f:
    config = json.load(f)

# Calculate number of tokens to keep
tokencount = params // model.dim

# Calculate term frequency
freqs = Counter()
for _, ids, _ in tokenize(model.tokenizer):
    freqs.update(ids)

# Select top N most common tokens
uids = set(x for x, _ in freqs.most_common(tokencount))
uids = [uid for token, uid in config["model"]["vocab"].items() if uid in uids or token.startswith("[")]

# Get embeddings for uids
model.embedding = model.embedding[uids]

# Select pruned tokens
pairs, index = [], 0
for token, uid in config["model"]["vocab"].items():
    if uid in uids:
        pairs.append((token, index))
        index += 1

config["model"]["vocab"] = dict(pairs)

# Write new tokenizer
with open(f"{output}/tokenizer.json", "w", encoding="utf-8") as f:
    json.dump(config, f, indent=2)

model.tokenizer = Tokenizer.from_file(f"{output}/tokenizer.json")

# Re-weight tokens
weights = tokenweights(model.tokenizer)

# Remove NaNs from embedding, if any
embedding = np.nan_to_num(model.embedding)

# Apply PCA
embedding = PCA(n_components=dims).fit_transform(embedding)

# Apply weights
embedding *= weights[:, None]

# Update model embedding and normalize
model.embedding, model.normalize = embedding.astype(np.int16), True

model.save_pretrained(output)

Acknowledgement

This model is built on the great work from the Minish Lab team consisting of Stephan Tulkens and Thomas van Dongen.

Read more at the following links.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура model2vec неизвестна transformers в образе рантайма.

Класс архитектуры
StaticModel
Ревизия весов
abb836b

0 моделей