/ Модель

Характеристики

Контекст
514 токенов
Параметры
96,6 млн
Архитектура
bert · dense
Опубликована
18 мая 2024

SentSecBert_10k_AllDataSplit

ЭмбеддингиТекст → embedding4 профессии

Модель QCRI на базе BERT превращает предложения и абзацы в векторы для семантического поиска, сравнения сходства и кластеризации, в том числе текстов по кибербезопасности.

108скачиваний за 30 дней0лайковвеса обновлены4 июн 2024

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

SentSecBert10kAllDataSplit — модель QCRI на базе BERT, представленная в формате Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для семантического поиска, сравнения сходства и кластеризации текстов. Модель использована в работе «Semantic Ranking for Automated Adversarial Technique Annotation in Security Text» и предназначена, в частности, для ранжирования и аннотирования текстов о кибербезопасности и техниках противника.

Число параметров — 96,6 млн, максимальный контекст — 514 токенов. В карточке не указаны условия лицензии; качество и ограничения применения отдельно не описаны.

Сценарии применения

  • семантический поиск по текстам о киберугрозах
  • ранжирование текстов по сходству с описанием техники атаки
  • автоматическая аннотация техник противника в материалах по безопасности
  • кластеризация предложений и абзацев по смыслу
  • сравнение сходства между текстовыми фрагментами

Ограничения

Лицензия и отдельные оценки качества или ограничения модели в доступных данных не приведены.

Для каких профессий подходит4

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

SentSecBert_10k_AllDataSplit

This is a sentence-transformers model: It maps sentences & paragraphs to a 768 dimensional dense vector space and can be used for tasks like clustering or semantic search.

This is a model used in our work "Semantic Ranking for Automated Adversarial Technique Annotation in Security Text". The code is available at: https://github.com/qcri/Text2TTP

Usage (Sentence-Transformers)

Using this model becomes easy when you have sentence-transformers installed:

pip install -U sentence-transformers

Then you can use the model like this:

from sentence_transformers import SentenceTransformer
sentences = ["This is an example sentence", "Each sentence is converted"]

model = SentenceTransformer('SentSecBert')
embeddings = model.encode(sentences)
print(embeddings)

Citation

@article{kumarasinghe2024semantic,
  title={Semantic Ranking for Automated Adversarial Technique Annotation in Security Text},
  author={Kumarasinghe, Udesh and Lekssays, Ahmed and Sencar, Husrev Taha and Boughorbel, Sabri and Elvitigala, Charitha and Nakov, Preslav},
  journal={arXiv preprint arXiv:2403.17068},
  year={2024}
}

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
b4c700c

0 моделей