Характеристики

Контекст: 512 токенов
Параметры: 137 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Опубликована: 13 мар 2024

Ссылки

Hugging Face

Splade_PP_en_v1

Qdrant

Заполнение пропусковТекст → текст9 профессий

ONNX-порт BERT-модели Splade_PP_en_v1 для сравнения текстов и поиска по сходству.

132 тыс.скачиваний за 30 дней9лайковвеса обновлены27 сен 2026

Бенчмарки

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

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

Qdrant/Splade_PP_en_v1 — порт модели prithivida/Splade_PP_en_v1 в формате ONNX, подготовленный для классификации текста и поиска сходства. Модель основана на BERT и использует masked language modeling; в каталоге отмечены задачи заполнения маски и сравнения предложений. Размер — 136,7 млн параметров, контекст — до 512 токенов.

Модель предназначена для поиска и сопоставления текстов, в том числе с использованием FastEmbed. Репозиторий распространяется по лицензии Apache-2.0. Карточка не приводит конкретных ограничений качества или дополнительных характеристик обучения.

Сценарии применения

поиск текстовых документов по сходству с запросом
ранжирование текстов по релевантности запросу
сопоставление похожих предложений
классификация текста
предсказание пропущенных токенов

Ограничения

Контекст ограничен 512 токенами. Карточка не сообщает результатов оценки качества или ограничений применения.

Для каких профессий подходит9

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей I.1Универсальные способностиПоиск и навигация по информацииAI помогает находить нужные сведения и помогать человеку быстро переходить от вопроса к подтверждённому источнику.18 задач13 467моделей I.12Универсальные способностиРекомендации и персонализацияAI помогает подбирать релевантные варианты и адаптировать опыт под конкретного человека или ситуацию.15 задач7 627моделей II.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

Открыть на Hugging Face

ONNX port of prithivida/Splade_PP_en_v1 for text classification and similarity searches.

Usage

Here's an example of performing inference using the model with FastEmbed.

from fastembed import SparseTextEmbedding

documents = [
    "You should stay, study and sprint.",
    "History can only prepare us to be surprised yet again.",
]

model = SparseTextEmbedding(model_name="prithivida/Splade_PP_en_v1")
embeddings = list(model.embed(documents))

# [
#     SparseEmbedding(values=array(
#         [0.45940185, 0.64054322, 0.2425732, 0.1623179, 1.20566428,
#          0.62039357...]),
#                     indices=array([1012, 1998, 2000, 2005, 2017, 2022...])),
#     SparseEmbedding(values=array([
#         0.09767706, 0.4374367, 0.00468039, 1.01167965, 1.02318227, 1.30155718
#     ...]),
#                     indices=array([2017, 2022, 2025, 2057, 2064, 2069...]))
# ]

Как запустить

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

GPU в ailist

Универсальный рантайм · fill-mask

Нельзя запустить

В репозитории нет весов в формате PyTorch/safetensors.

Класс архитектуры: BertForMaskedLM
Ревизия весов: 600ce23