from sentence_transformers import SentenceTransformer
model = SentenceTransformer("OpenSearch-AI/Ops-MoA-Conan-embedding-v1")
model.encode(['text'])
Характеристики
- Контекст
- 512 токенов
- Параметры
- 424 млн
- Архитектура
- bert · dense
- Опубликована
- 25 мар 2025
Ссылки
Ops-MoA-Conan-embedding-v1
BERT-модель OpenSearch AI преобразует китайский текст в эмбеддинги для поиска по смыслу и сравнения предложений.
103скачиваний за 30 дней0лайковвеса обновлены28 мар 2025
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.
Публичные оценки8
Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.
Что умеет модель
Описание составлено по карточке модели и метаданным Hugging Face
OpenSearch-AI/Ops-MoA-Conan-embedding-v1 — текстовая модель эмбеддингов от OpenSearch AI на архитектуре BERT. Она предназначена для преобразования текстов в векторы, которые можно использовать для поиска по смыслу и сравнения предложений. Модель поддерживает задачи feature-extraction и sentence-similarity, имеет 424,3 млн параметров и контекст до 512 токенов. Для работы подходит библиотека Sentence Transformers; веса доступны в формате PyTorch.
В метаданных указан китайский язык. Карточка содержит пример кодирования текста, но не приводит оценки качества или подробностей обучения. Лицензия не указана в предоставленных данных.
Сценарии применения
- поиск китайских документов по смыслу
- сравнение сходства китайских предложений
- построение векторного индекса текстов
- извлечение эмбеддингов для семантического поиска
Ограничения
Контекст ограничен 512 токенами. В предоставленной карточке нет результатов оценки качества и сведений о лицензии.
Для каких профессий подходит9
Разделы каталога профессий, в задачах которых используется эта модель
I.1Универсальные способностиПоиск и навигация по информацииAI помогает находить нужные сведения и помогать человеку быстро переходить от вопроса к подтверждённому источнику.18 задач13 467моделейI.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделейII.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделейII.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей
Также подходит для
Карточка модели
README от автора на Hugging Face, как он его опубликовал
Как запустить
На своей GPU в ailist. Цена — по текущим предложениям провайдеров
GPU в ailist
Универсальный рантайм
Подбираем GPU…
- Класс архитектуры
- BertModel
- Ревизия весов
- 46dcd58