/ Модель

Характеристики

Опубликована
14 мар 2025

lightblue_-_reranker_0.5_cont_filt_7max-gguf

Ранжирование текстаТекст → score7 профессий

reranker_0.5_cont_filt_7max — это модель для ранжирования текстов, созданная на основе Qwen/Qwen2.5-0.5B-Instruct и дообученная разработчиком lightblue на датасете reranker_continuous_filt_max7_train.

521скачиваний за 30 дней0лайковвеса обновлены2 апр 2025

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

GGUF-квантизации модели подготовил Richard Erkhov. Модель предназначена для задач reranking: оценки релевантности текстовых вариантов и упорядочивания результатов поиска или кандидатов по соответствию запросу.

В основе используется компактная языковая модель Qwen2.5 с размером 0,5 млрд параметров; исходная модель поддерживает текстовый режим, однако сведения о фактических языках, максимальной длине контекста и формате входных данных для этой версии не приведены. Указана оценка на тестовой выборке: loss 0,3869. Доступны варианты GGUF с методами квантизации от Q2_K до Q8_0 размером примерно от 0,39 до 0,63 ГБ, что позволяет выбирать между экономией памяти и сохранением качества.

Сильными сторонами являются небольшой размер, возможность локального запуска в формате GGUF и специализация на ранжировании. Ограничения связаны с неполным описанием назначения, данных обучения, поддерживаемых языков, контекста и практических метрик качества; указан только loss. Лицензия оригинальной модели обозначена как other, но точные условия использования в карточке не уточняются.

Для каких профессий подходит7

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Quantization made by Richard Erkhov.

Github

Discord

Request more models

reranker_0.5_cont_filt_7max - GGUF

NameQuant methodSize
reranker_0.5_cont_filt_7max.Q2_K.ggufQ2_K0.39GB
reranker_0.5_cont_filt_7max.IQ3_XS.ggufIQ3_XS0.39GB
reranker_0.5_cont_filt_7max.IQ3_S.ggufIQ3_S0.39GB
reranker_0.5_cont_filt_7max.Q3_K_S.ggufQ3_K_S0.39GB
reranker_0.5_cont_filt_7max.IQ3_M.ggufIQ3_M0.39GB
reranker_0.5_cont_filt_7max.Q3_K.ggufQ3_K0.4GB
reranker_0.5_cont_filt_7max.Q3_K_M.ggufQ3_K_M0.4GB
reranker_0.5_cont_filt_7max.Q3_K_L.ggufQ3_K_L0.42GB
reranker_0.5_cont_filt_7max.IQ4_XS.ggufIQ4_XS0.4GB
reranker_0.5_cont_filt_7max.Q4_0.ggufQ4_00.4GB
reranker_0.5_cont_filt_7max.IQ4_NL.ggufIQ4_NL0.4GB
reranker_0.5_cont_filt_7max.Q4_K_S.ggufQ4_K_S0.45GB
reranker_0.5_cont_filt_7max.Q4_K.ggufQ4_K0.46GB
reranker_0.5_cont_filt_7max.Q4_K_M.ggufQ4_K_M0.46GB
reranker_0.5_cont_filt_7max.Q4_1.ggufQ4_10.43GB
reranker_0.5_cont_filt_7max.Q5_0.ggufQ5_00.46GB
reranker_0.5_cont_filt_7max.Q5_K_S.ggufQ5_K_S0.48GB
reranker_0.5_cont_filt_7max.Q5_K.ggufQ5_K0.49GB
reranker_0.5_cont_filt_7max.Q5_K_M.ggufQ5_K_M0.49GB
reranker_0.5_cont_filt_7max.Q5_1.ggufQ5_10.49GB
reranker_0.5_cont_filt_7max.Q6_K.ggufQ6_K0.61GB
reranker_0.5_cont_filt_7max.Q8_0.ggufQ8_00.63GB

Original model description:

library_name: transformers license: other base_model: Qwen/Qwen2.5-0.5B-Instruct tags:

  • llama-factory
  • full
  • generated_from_trainer model-index:
  • name: reranker_continuous_filt_max7_train results: []

reranker_continuous_filt_max7_train

This model is a fine-tuned version of Qwen/Qwen2.5-0.5B-Instruct on the reranker_continuous_filt_max7_train dataset. It achieves the following results on the evaluation set:

  • Loss: 0.3869

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 1e-05
  • train_batch_size: 1
  • eval_batch_size: 1
  • seed: 42
  • distributed_type: multi-GPU
  • num_devices: 8
  • total_train_batch_size: 8
  • total_eval_batch_size: 8
  • optimizer: Use adamw_torch with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
  • lr_scheduler_type: cosine
  • lr_scheduler_warmup_ratio: 0.01
  • num_epochs: 1.0

Training results

Training LossEpochStepValidation Loss
0.4030.100019770.4783
0.51920.200039540.4524
0.36390.300059310.4370
0.43430.400079080.4286
0.39290.500098850.4163
0.44550.6000118620.4040
0.37750.7000138390.3947
0.36290.8000158160.3898
0.51860.9000177930.3872

Framework versions

  • Transformers 4.46.1
  • Pytorch 2.4.0+cu121
  • Datasets 3.1.0
  • Tokenizers 0.20.3

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

GGUF-веса поддерживаются только для текстовых LLM (llama.cpp).

Ревизия весов
eed1822

0 моделей