Характеристики

Контекст: 512 токенов
Параметры: 40 млн
Лицензия: MIT
Архитектура: bert · dense
Опубликована: 15 янв 2024

Ссылки

Hugging Face

bge-small-en-v1.5-onnx-Q

Qdrant

Сходство предложенийТекст → score9 профессий

Квантованный ONNX-порт англоязычной BERT-модели для эмбеддингов, поиска похожих предложений и классификации текста.

1,5 млнскачиваний за 30 дней9лайковвеса обновлены24 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 подготовила ONNX-порт модели BAAI/bge-small-en-v1.5 с квантизованными весами. Это компактная BERT-модель примерно на 40 млн параметров для получения текстовых представлений и поиска похожих предложений; в карточке также указаны задачи классификации текста и поиска сходства. Контекст ограничен 512 токенами.

Модель подходит для семантического поиска, сравнения предложений и классификации текста в системах, использующих ONNX или FastEmbed. Указанная лицензия — MIT. Поскольку модель основана на англоязычной bge-small-en-v1.5, её основное применение — англоязычные тексты.

Сценарии применения

семантический поиск по англоязычным документам
поиск похожих предложений
сравнение текстовых запросов и документов
классификация текста по эмбеддингам
получение эмбеддингов для поиска с FastEmbed

Ограничения

Контекст ограничен 512 токенами; модель ориентирована на английский язык, поэтому качество для других языков не подтверждено.

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 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 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

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Quantized ONNX port of BAAI/bge-small-en-v1.5 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="BAAI/bge-small-en-v1.5")
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: aa8f8b0