Характеристики

Контекст: 512 токенов
Параметры: 25,9 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Опубликована: 16 янв 2024

Ссылки

Hugging Face

all-MiniLM-L6-v2-onnx

Qdrant

Сходство предложенийТекст → score10 профессий

ONNX-модель для создания эмбеддингов текста и сравнения семантической близости предложений.

1,5 млнскачиваний за 30 дней19лайковвеса обновлены30 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/all-MiniLM-L6-v2-onnx — это ONNX-порт модели sentence-transformers/all-MiniLM-L6-v2, опубликованный Qdrant для получения векторных представлений текста. Модель предназначена для сравнения семантической близости предложений, поиска похожих текстов и задач текстовой классификации на основе эмбеддингов. Она содержит около 25,9 млн параметров и поддерживает контекст длиной до 512 токенов.

Модель подходит для семантического поиска, кластеризации, дедупликации и ранжирования текстовых документов; эмбеддинги можно использовать в векторных базах данных и системах поиска, включая сценарии с FastEmbed. Формат ONNX удобен для эффективного инференса в совместимых средах. В README не указаны поддерживаемые естественные языки и специализированные домены, поэтому языковые и предметные характеристики не уточняются. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

семантический поиск по документам
поиск похожих предложений и текстов
ранжирование результатов поиска
кластеризация документов по смыслу
выявление дубликатов текстов
текстовая классификация на основе эмбеддингов

Ограничения

Контекст ограничен 512 токенами. Поддерживаемые естественные языки и качество на отдельных предметных областях в предоставленных данных не уточняются.

Для каких профессий подходит10

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 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 II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

ONNX port of sentence-transformers/all-MiniLM-L6-v2 for text classification and similarity searches.

Usage

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

from fastembed import TextEmbedding

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

model = TextEmbedding(model_name="sentence-transformers/all-MiniLM-L6-v2")
embeddings = list(model.embed(documents))

# [
#     array([
#         0.00611658, 0.00068912, -0.0203846, ..., -0.01751488, -0.01174267,
#         0.01463472
#     ],
#           dtype=float32),
#     array([
#         0.00173448, -0.00329958, 0.01557874, ..., -0.01473586, 0.0281806,
#         -0.00448205
#     ],
#           dtype=float32)
# ]

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

В репозитории нет весов в формате PyTorch/safetensors.

Класс архитектуры: BertModel
Ревизия весов: d139546