/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
312 млн
Архитектура
modernbert · dense
Базовая модель
granite-embedding-311m-multilingual-r2
Библиотека
sentence-transformers
Опубликована
22 июн 2026

eti-granite-v1

ЭмбеддингиТекст → embedding6 профессий

Дообученная многоязычная модель эмбеддингов Norsk Helsenett для семантического поиска и сравнения текстов.

103скачиваний за 30 дней0лайковвеса обновлены22 июн 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

NorskHelsenett/eti-granite-v1 — модель Sentence Transformers, дообученная Norsk Helsenett на базе ibm-granite/granite-embedding-311m-multilingual-r2. Она преобразует предложения и абзацы в нормализованные плотные векторы размерностью 768 для семантического поиска, сравнения текстов и поиска перефразирований; близость оценивается косинусным сходством. Архитектура основана на ModernBERT с пулингом CLS-токена. Веса доступны в формате safetensors; модель содержит 311,6 млн параметров.

Модель подходит для поиска релевантных фрагментов в коллекциях документов, кластеризации текстов и подготовки признаков для классификации. README указывает максимальную длину последовательности 2048 токенов, тогда как метаданные сообщают нативный контекст 32768 токенов; фактический предел обработки следует сверять с используемой конфигурацией Sentence Transformers. Модель обучалась на парах и тройках текстов из датасета Norsk Helsenett, включая норвежские медицинские материалы, поэтому качество для других языков и областей может отличаться. Лицензия в предоставленных данных не указана.

Сценарии применения

  • семантический поиск по медицинским документам
  • поиск релевантных абзацев по запросу
  • сравнение сходства двух текстов
  • поиск перефразирований
  • кластеризация документов по смыслу
  • извлечение эмбеддингов для классификации текстов

Ограничения

README указывает предел последовательности 2048 токенов, а метаданные — нативный контекст 32768 токенов; это расхождение требует проверки конфигурации при применении. Обучение ориентировано на норвежские медицинские тексты, поэтому качество в других языках и предметных областях может быть ниже.

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

SentenceTransformer based on ibm-granite/granite-embedding-311m-multilingual-r2

This is a sentence-transformers model finetuned from ibm-granite/granite-embedding-311m-multilingual-r2 on the eti-embedding-training-data-2048-triplets-merged-v3 dataset. It maps sentences & paragraphs to a 768-dimensional dense vector space and can be used for semantic textual similarity, semantic search, paraphrase mining, text classification, clustering, and more.

Model Details

Model Description

Model Sources

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 2048, 'do_lower_case': False, 'architecture': 'ModernBertModel'})
  (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': True, 'pooling_mode_mean_tokens': False, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': False})
  (2): Normalize()
)

Usage

Direct Usage (Sentence Transformers)

First install the Sentence Transformers library:

pip install -U sentence-transformers

Then you can load this model and run inference.

from sentence_transformers import SentenceTransformer

# Download from the 🤗 Hub
model = SentenceTransformer("NorskHelsenett/eti-granite-v1")
# Run inference
sentences = [
    '- Hva slags hjelp kan vi få til tracheostomi-behandling hjemme?',
    '# Forbruksmateriell\n\nHelseforetakene har ansvar for å levere nødvendig medisinsk utstyr og forbruksmateriell til behandling hjemme/utenfor sykehus når behandlingen er igangsatt av spesialisthelsetjenesten.\n\nHelseforetakene har i tillegg ansvar for å levere tjenester/forbruksmateriell til en rekke behandlingsforløp som ikke innbefatter medisinsk utstyr.\n\nEksempler på forbruksmateriell og tjenester som benyttes i medisinsk hjemmebehandling:\n\n- Forbruksmateriell til:\n    - enteral ernæring som gis via nasogastrisk sonde, perkutan gastrostomi (PEG) og gastrostomiport/sonde\n    - parenteral ernæring/intravenøs behandling som gis via ulike typer veneporter og sentrale/perifere venekateter\n    - epidural behandling som gis ved smertelindring\n    - subkutan behandling\n    - pleura/acites- drenasje\n    - tracheostomi\n- Kompresjonsplagg til:\n    - lymfødem (og tilhørende bandasjemateriell)\n    - brannskadebehandling\n    - kjønnsdysfori/kjønnsinkongruens\n- Apnéskinner (alternativ behandling ved søvnapné)\n- Frejkaspute (behandling av hofteleddsdysplasi hos nyfødte)\n- Kjønnsdysfori/kjønnsinkongruens (kompresjonsplagg, penisprotese, hårfjerning og vaginablokker)\n- Taleventiler/proteser for strupeopererte\n\nHelseforetakene har også ansvar for å dekke kostnadene til Klorhexidin 5 mg/ml, NaCl 0,9 mg/ml og Heparin 100 IE til vedlikehold/skylling av de aktuelle kateter, kanyler og porter som benyttes. Se også ( [HELFO utstyrsliste forbruksmateriell](https://www.helfo.no/produkt-og-prislister/produkt-og-prislister) ).\n\nListen er ikke uttømmende.\n\nDet er ulik praksis i hvordan helseforetakene organiserer utleveringen av forbruksmateriell. Sortimentet kan være ulikt mellom helseforetakene og mellom helseregionene ( [jf. Utstyr](https://behandlingshjelpemidler.no/utstyr/) ).\n\nVed spørsmål ta kontakt med aktuell [behandlingshjelpemiddelenhet](https://behandlingshjelpemidler.no/enhet/) .',
    'Les mer om [skole- og opplæringstilbud for døvblinde på dovblindhet.no.](https://www.dovblindhet.no/barnehage-skole-og-opplaering.4636489-176065.html)\n\n### Bo- og omsorgstilbud\n\nHjemkommunene har ansvar for bo- og omsorgstilbud til voksne døvblinde. De fleste voksne med medfødt døvblindhet bor i leilighet eller bofellesskap med heldøgns omsorg.\n\nHar du ervervet døvblindhet, kan du få tilbud om kommunal omsorgsbolig eller sykehjem, hvis du ikke lenger kan bo i eget hjem.\n\nLes mer om [bo- og omsorgstilbud for døvblinde på dovblindhet.no.](https://www.dovblindhet.no/bo-og-omsorgstilbud.4641097-176065.html)\n\n### Brukerstyrt personlig assistanse og støttekontakt (BPA)\n\nDette er en ordning som gir deg praktisk bistand til å gjøre ting som:\n\n- kle på deg\n- gjøre husarbeid\n- komme deg til skole og arbeidsplass\n- handle og lage mat\n- være sammen med venner og familie\n- engasjere deg i samfunnet.\n\nBPA gir deg mulighet til å administrere din egen hverdag, ved at du selv kan bestemme hvem som skal være dine assistenter, hva de skal bistå med og til hvilke tider.\n\nLes mer om [brukerstyrt personlig assistanse og støttekontakt for døvblinde på dovblindhet.no.](https://www.dovblindhet.no/brukerstyrt-personlig-assistanse-og-stoettekontakt.4832862-176065.html)\n\n### Cochleaimplantat (CI)\n\nCI er et elektronisk apparat som opereres inn i øret. Det er et hjelpemiddel som hovedsakelig tilbys hørselshemmede med så store hørselstap, at de har liten eller ingen mulighet til å oppfatte tale med et vanlig høreapparat.\n\nLes mer om [cochleaimplantat på unn.no.](https://www.unn.no/dovblindhet/hva-kan-hjelpe/teknologi-og-hjelpemidler/horselshjelpemidler/cochleaimplantat/)\n\n### Individuell plan (IP)\n\nIndividuell plan er et verktøy som legger til rette for samarbeid mellom deg og tjenesteytere. Formålet med IP er å ha et helhetlig tilbud som koordineres gjennom én plan. Planen skal være individuelt tilpasset og én tjenesteyter skal ha hovedansvaret for oppfølgingen. Den som bruker henvender seg til har plikt til å sørge for at arbeidet med planen settes i gang.\n\nLes mer om [individuell plan på dovblindhet.no.](https://www.dovblindhet.no/individuell-plan.4590084-176065.html)\n\n### Orienterings- og mobilitetsopplæring\n\nEksempler på dette er:\n\n- bruk av hvit stokk og stokk-teknikk\n- ledsagerteknikk\n- beskyttelsesteknikk\n- orienteringsteknikk\n- opplæring i ulike tekniske hjelpemidler\n- innlæring av mobilitetsruter\n- bruk av andre og resterende sanser\n\n### Tolk/ledsager\n\nI mange tilfeller vil du være avhengig av en tolk/ledsager som behersker de ulike kommunikasjonsformene som personer med døvblindhet bruker.\n\nEn tolk/ledsager fungerer som et bindeledd mellom deg og andre personer. Her kan du finne ut mer om [tolketjenesten i NAV](https://www.nav.no/no/person/hjelpemidler/hjelpemidler-og-tilrettelegging/tolketjenesten) .\n\nLes mer om [tolk eller ledsager på dovblindhet.no.](https://www.dovblindhet.no/tolkledsager.4588731-176065.html)\n\nReferanser\n\n[Publikasjoner om medfødt døvblindhet](https://www.dovblindhet.no/publikasjoner-om-medfoedt-doevblindhet.4873964-480618.html) (dovblindhet.no)\n\n[Publikasjoner om ervervet døvblindhet](https://www.dovblindhet.no/publikasjoner-om-ervervet-doevblindhet.4874059-480618.html) (dovblindhet.no)\n\n[Nordisk definisjon av døvblindhet, 2016](https://www.dovblindhet.no/?cat=440667) (dovblindhet.no)\n\nInnholdet er levert av [Nasjonal kompetansetjeneste for døvblinde (NKDB)](/samarbeidspartnere/#nasjonal-kompetansetjeneste-for-dovblinde-(nkdb))\n\nSlik refererer du til innholdet Nasjonal kompetansetjeneste for døvblinde (NKDB). Døvblindhet. [Internett]. Oslo: Helsedirektoratet; oppdatert torsdag 20. juni 2024 [hentet tirsdag 9. desember 2025]. Tilgjengelig fra: [https://www.helsenorge.no/sykdom/sjeldne-diagnoser/dovblindhet/](https://www.helsenorge.no/sykdom/sjeldne-diagnoser/dovblindhet/)\n\nSist oppdatert torsdag 20. juni 2024',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 768]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities)
# tensor([[1.0000, 0.4698, 0.2314],
#         [0.4698, 1.0000, 0.1588],
#         [0.2314, 0.1588, 1.0000]])

Evaluation

Metrics

Triplet

MetricValue
cosine_accuracy0.998

Information Retrieval

MetricValue
cosine_accuracy@10.703
cosine_accuracy@30.937
cosine_accuracy@50.977
cosine_accuracy@100.99
cosine_precision@10.703
cosine_precision@30.3123
cosine_precision@50.1954
cosine_precision@100.099
cosine_recall@10.703
cosine_recall@30.937
cosine_recall@50.977
cosine_recall@100.99
cosine_ndcg@100.8635
cosine_mrr@100.8208
cosine_map@1000.8213

Training Details

Training Dataset

eti-embedding-training-data-2048-triplets-merged-v3

  • Dataset: eti-embedding-training-data-2048-triplets-merged-v3 at a4f297d
  • Size: 565,173 training samples
  • Columns: anchor, positive, and negative
  • Approximate statistics based on the first 1000 samples:
    anchorpositivenegative
    typestringstringstring
    detailsmin: 6 tokensmean: 21.43 tokensmax: 57 tokensmin: 32 tokensmean: 1025.54 tokensmax: 2048 tokensmin: 26 tokensmean: 958.66 tokensmax: 2048 tokens
  • Samples:
    anchorpositivenegative
    Kva gjer sjukehuset når krefttypen til barnet er så uvanleg at dei ikkje har ein ferdig behandlingsplan?# 9.4. Sjeldne svulsterI tillegg til de svulstene som her er omtalt, finnes det en rekke andre svulsttyper som forekommer svært sjelden. Dette gjelder dels svulsttyper som er mer eller mindre spesifikke for barnealder, dels mer «voksne» svulster. Felles for disse ekstremt sjeldne svulsttypene er at det ikke finnes spesifikke behandlingsprotokoller for barn, og man må som regel i hvert enkelt tilfelle skreddersy en behandling ut fra histologisk type, barnets alder og egne eller andres erfaringer med lignende svulsttyper.Les hele# Pakkeforløp for kreft hos barnBarneonkologisk avdeling, i noen tilfeller nevrokirurgisk avdeling, er primært ansvarlig for kontrollopplegget, og kontrollene utføres i samarbeid med de lokale barneavdelinger.Ved mistanke om tilbakefall og undersøkelsene bekrefter dette, planlegger barneonkologen etter MDT- møte behandlingsopplegget. Beslutning om behandling tas i samråd med pasient/familie.# Informasjon og dialog med pasient/pårørendeDen legen som ser pasienten ved kontrollundersøkelser har ansvar for at familien informeres om undersøkelsesresultater. Ofte deltar kontaktsykepleier i poliklinikken/ved dagposten i denne informasjonen.# Støttebehandling og sykepleieSykepleier/koordinator bør ha selvstendige konsultasjoner eventuelt i form av spesielle poliklinikkonsultasjoner for å kartlegge pasientens behov for habilitering og familiens psykososiale situasjon.# Håndtering av tilbakefallVed tilbakefall av kreftsykdom (lokalt eller regionalt residiv, eller fjernmetastaser)...
    rette opp ryggen til ungdom# Skoliose hos ungdom - operasjon
  • Loss: CachedMultipleNegativesRankingLoss with these parameters:
    {
        "scale": 20.0,
        "similarity_fct": "cos_sim",
        "mini_batch_size": 24,
        "gather_across_devices": false
    }
    

Evaluation Dataset

eti-embedding-training-data-2048-triplets-merged-v3

  • Dataset: eti-embedding-training-data-2048-triplets-merged-v3 at a4f297d
  • Size: 5,767 evaluation samples
  • Columns: anchor, positive, and negative
  • Approximate statistics based on the first 1000 samples:
    anchorpositivenegative
    typestringstringstring
    detailsmin: 6 tokensmean: 21.74 tokensmax: 59 tokensmin: 34 tokensmean: 1016.43 tokensmax: 2048 tokensmin: 28 tokensmean: 963.02 tokensmax: 2048 tokens
  • Samples:
    anchorpositivenegative
    koble ting sammen for bedre lyd](#hva)### Hva er hjelpemiddelet?Alle høreapparatmodeller har tilbehør som kan benyttes i ulike lyttesituasjoner.Tilbehør til høreapparat er fjernkontroller eller mellomledd som du trenger for å koble høreapparatet ditt til andre lydkilder eller hjelpemidler.Dette kan være eksterne mikrofoner som kobles til høreapparatet ditt for at du skal høre tale bedre. Det kan også være tilbehør for å koble TV eller radio direkte til høreapparatet.Lyttehjelpemidler til TV og radio HjelpemiddelDu kan få egen fjernkontroll som tilbehør hvis du trenger det, for eksempel hvis du har redusert finmotorikk.Et tilbehør kan være en telefonstreamer, som kobler mobiltelefonen til høreapparatet. Samtidig har mange nyere høreapparater løsninger for blåtann (bluetooth). Disse kan koble høreapparatet direkte til mobiltelefon, nettbrett eller datamaskin uten bruk av et tilbehør.Lyttehjelpemidler for telefon Hjelpemi...Fra åpen dør til å stange hodet i veggen. Foreldres erfaringer med skole-hjem-samarbeid når barna og de unge har en sjelden diagnose. 2017(3). (Enkeltsstudie).28. Utdanningsdirektoratet. 2024. Samarbeid mellom hjem og skole . (Offentlig nettside).29. Lov om grunnskoleopplæringa og den vidaregåande opplæringa (opplæringslova), (2023). (Offentlig nettside).30. Velferdsetaten NAV. 2019. [Rundskriv til Folketrygdloven kap. 10: Stønad for å kompensere for utgifter til bedring av arbeidsevnen og funksjonsevnen i dagliglivet. § 10-8 Forholdet til ytelser etter annen lovgivning](https://www.pvv.ntnu.no/~thomassk/jus/trygderett/ru...
    Hvor lang tid tar det for Nav å behandle en klage til Nav-enhet?Du må ha sendt en søknad som er blitt behandlet for å kunne klage. Du kan ikke klage på muntlig avslag.#### Klage på vedtakI vedtaket står det hvordan du går fram hvis du skal klage, hvem du skal klage til og klagefrist. Hvis du har spørsmål om vedtaket, kan du kontakte oss .Send klage Ettersend dokumentasjon#### Anke vedtakHvis du er uenig i svaret på klagen din fra Nav klageinstans, kan du med noen unntak anke vedtaket. Fristen for å anke står i vedtaket.Send anke Ettersend dokumentasjonDu kan også bruke advokat eller gi fullmakt til en person som klager på dine vegne.Klagerettigheter Slik gjør du detSaksbehandlingstid...Leveringstid for hjelpemiddelet kommer i tillegg til saksbehandlingstiden.| Saken gjelder | Forventet saksbehandlingstid ||---------------------------------------|--------------------------------|| Søknad om hjelpemiddel til dagligliv | 17 dager || Søknad om hjelpemiddel til arbeidsliv | 21 dager |### Personvern og automatisk saksbehandlingFor å kunne vurdere barnets rett til støtte til briller, må Nav behandle noen personopplysninger om barnet.Slik behandler Nav personopplysningeneVi behandler personopplysninger om- fødselsnummer- navn- alder- bostedsadresse- brillestyrke- tidligere støtte til brillerFra optiker får Nav informasjon om barnets fødselsnummer og brillestyrke. Dette trenger vi for å validere navn, alder og om barnet er bosatt på en folkeregistrert adresse. Basert på brillestyrken, regner vi ut hvor mye støtte barnet har rett på. Vi sjekker også at barnet ikke allere...
    Vi har en gutt på 8 år med stor tannbehandlingsangst og flere hull som må fikses, når kan tannbehandling i narkose vurderes og hva må vi ha med i samtykke og info?Generell veileder i pediatri kapittel 13.5 og 13.6 (helsebiblioteket.no) .
  • Loss: CachedMultipleNegativesRankingLoss with these parameters:
    {
        "scale": 20.0,
        "similarity_fct": "cos_sim",
        "mini_batch_size": 24,
        "gather_across_devices": false
    }
    

Training Hyperparameters

Non-Default Hyperparameters

  • eval_strategy: steps
  • per_device_train_batch_size: 96
  • per_device_eval_batch_size: 48
  • learning_rate: 1.5e-05
  • weight_decay: 0.01
  • num_train_epochs: 1.0
  • warmup_ratio: 0.1
  • bf16: True
  • load_best_model_at_end: True
  • ddp_find_unused_parameters: False
  • batch_sampler: no_duplicates

All Hyperparameters

  • overwrite_output_dir: False
  • do_predict: False
  • eval_strategy: steps
  • prediction_loss_only: True
  • per_device_train_batch_size: 96
  • per_device_eval_batch_size: 48
  • per_gpu_train_batch_size: None
  • per_gpu_eval_batch_size: None
  • gradient_accumulation_steps: 1
  • eval_accumulation_steps: None
  • torch_empty_cache_steps: None
  • learning_rate: 1.5e-05
  • weight_decay: 0.01
  • adam_beta1: 0.9
  • adam_beta2: 0.999
  • adam_epsilon: 1e-08
  • max_grad_norm: 1.0
  • num_train_epochs: 1.0
  • max_steps: -1
  • lr_scheduler_type: linear
  • lr_scheduler_kwargs: {}
  • warmup_ratio: 0.1
  • warmup_steps: 0
  • log_level: passive
  • log_level_replica: warning
  • log_on_each_node: True
  • logging_nan_inf_filter: True
  • save_safetensors: True
  • save_on_each_node: False
  • save_only_model: False
  • restore_callback_states_from_checkpoint: False
  • no_cuda: False
  • use_cpu: False
  • use_mps_device: False
  • seed: 42
  • data_seed: None
  • jit_mode_eval: False
  • bf16: True
  • fp16: False
  • fp16_opt_level: O1
  • half_precision_backend: auto
  • bf16_full_eval: False
  • fp16_full_eval: False
  • tf32: None
  • local_rank: 0
  • ddp_backend: None
  • tpu_num_cores: None
  • tpu_metrics_debug: False
  • debug: []
  • dataloader_drop_last: True
  • dataloader_num_workers: 0
  • dataloader_prefetch_factor: None
  • past_index: -1
  • disable_tqdm: False
  • remove_unused_columns: True
  • label_names: None
  • load_best_model_at_end: True
  • ignore_data_skip: False
  • fsdp: []
  • fsdp_min_num_params: 0
  • fsdp_config: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}
  • fsdp_transformer_layer_cls_to_wrap: None
  • accelerator_config: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None}
  • parallelism_config: None
  • deepspeed: None
  • label_smoothing_factor: 0.0
  • optim: adamw_torch_fused
  • optim_args: None
  • adafactor: False
  • group_by_length: False
  • length_column_name: length
  • project: huggingface
  • trackio_space_id: trackio
  • ddp_find_unused_parameters: False
  • ddp_bucket_cap_mb: None
  • ddp_broadcast_buffers: False
  • dataloader_pin_memory: True
  • dataloader_persistent_workers: False
  • skip_memory_metrics: True
  • use_legacy_prediction_loop: False
  • push_to_hub: False
  • resume_from_checkpoint: None
  • hub_model_id: None
  • hub_strategy: every_save
  • hub_private_repo: None
  • hub_always_push: False
  • hub_revision: None
  • gradient_checkpointing: False
  • gradient_checkpointing_kwargs: None
  • include_inputs_for_metrics: False
  • include_for_metrics: []
  • eval_do_concat_batches: True
  • fp16_backend: auto
  • push_to_hub_model_id: None
  • push_to_hub_organization: None
  • mp_parameters:
  • auto_find_batch_size: False
  • full_determinism: False
  • torchdynamo: None
  • ray_scope: last
  • ddp_timeout: 1800
  • torch_compile: False
  • torch_compile_backend: None
  • torch_compile_mode: None
  • include_tokens_per_second: False
  • include_num_input_tokens_seen: no
  • neftune_noise_alpha: None
  • optim_target_modules: None
  • batch_eval_metrics: False
  • eval_on_start: False
  • use_liger_kernel: False
  • liger_kernel_config: None
  • eval_use_gather_object: False
  • average_tokens_across_devices: True
  • prompts: None
  • batch_sampler: no_duplicates
  • multi_dataset_batch_sampler: proportional
  • router_mapping: {}
  • learning_rate_mapping: {}

Training Logs

EpochStepTraining LossValidation Lossdev_triplet_cosine_accuracydev_ir_cosine_ndcg@10
0.0170503.4396---
0.03401002.5575---
0.05101501.2996---
0.06802000.9622---
0.08492500.82410.52730.97200.7125
0.10193000.7227---
0.11893500.6732---
0.13594000.6176---
0.15294500.5732---
0.16995000.54430.35180.98500.7606
0.18695500.5165---
0.20396000.495---
0.22096500.4905---
0.23797000.4618---
0.25487500.43770.26790.98900.7986
0.27188000.4321---
0.28888500.4148---
0.30589000.3777---
0.32289500.383---
0.339810000.36680.22300.99400.8163
0.356810500.3525---
0.373811000.3533---
0.390811500.34---
0.407712000.3321---
0.424712500.33690.19190.99500.8188
0.441713000.3201---
0.458713500.2993---
0.475714000.3043---
0.492714500.2911---
0.509715000.29380.16530.99600.8373
0.526715500.2728---
0.543716000.2837---
0.560716500.2747---
0.577617000.2674---
0.594617500.25840.14790.99700.8498
0.611618000.2636---
0.628618500.2608---
0.645619000.2493---
0.662619500.2417---
0.679620000.2330.13680.99900.8516
0.696620500.2384---
0.713621000.2372---
0.730521500.2345---
0.747522000.2351---
0.764522500.22520.12470.99900.8557
0.781523000.2341---
0.798523500.2167---
0.815524000.2179---
0.832524500.2237---
0.849525000.20830.11720.9980.8636
0.866525500.2143---
0.883526000.2086---
0.900426500.2121---
0.917427000.2075---
0.934427500.21430.11380.99800.8635
0.951428000.2066---
0.968428500.2012---
0.985429000.2052---
  • The bold row denotes the saved checkpoint.

Framework Versions

  • Python: 3.14.3
  • Sentence Transformers: 5.2.0
  • Transformers: 4.57.3
  • PyTorch: 2.9.1+cu128
  • Accelerate: 1.12.0
  • Datasets: 4.4.2
  • Tokenizers: 0.22.1

Citation

BibTeX

Sentence Transformers

@inproceedings{reimers-2019-sentence-bert,
    title = "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks",
    author = "Reimers, Nils and Gurevych, Iryna",
    booktitle = "Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing",
    month = "11",
    year = "2019",
    publisher = "Association for Computational Linguistics",
    url = "https://arxiv.org/abs/1908.10084",
}

CachedMultipleNegativesRankingLoss

@misc{gao2021scaling,
    title={Scaling Deep Contrastive Learning Batch Size under Memory Limited Setup},
    author={Luyu Gao and Yunyi Zhang and Jiawei Han and Jamie Callan},
    year={2021},
    eprint={2101.06983},
    archivePrefix={arXiv},
    primaryClass={cs.LG}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · sentence-transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
ModernBertModel
Ревизия весов
cf46073

0 моделей