/ Модель

Характеристики

Контекст
512 токенов
Параметры
137 млн
Лицензия
Apache 2.0
Архитектура
bert · dense
Базовая модель
bert-base-uncased
Библиотека
sentence-transformers
Опубликована
2 окт 2026

simcse-bert-uncased-unsup

ЭмбеддингиТекст → embedding

Англоязычный кодировщик SimCSE на базе BERT для получения эмбеддингов предложений и оценки их семантического сходства.

122скачиваний за 30 дней0лайковвеса обновлены3 окт 2026

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

RusselKuAguilar/simcse-bert-uncased-unsup — англоязычный кодировщик предложений на базе BERT, созданный командой студентов Университета Политехники Юкатана как учебное воспроизведение метода SimCSE. Модель дообучена без разметки на 165 528 предложениях из подмножества SNLI с контрастивным обучением; при использовании преобразует предложение в вектор размерности 768, пригодный для сравнения косинусного сходства. Используется представление CLS последнего слоя, а обучающая MLP-голова при инференсе отброшена.

Модель предназначена для оценки семантического сходства предложений и получения эмбеддингов, например для группировки похожих фраз или сравнения вариантов формулировки. Основа — BERT-base-uncased с 136,7 млн параметров; максимальный контекст по метаданным — 512 токенов, однако карточка указывает ограничение в 64 токена, после которого вход обрезается. Модель рассчитана только на английский язык.

На тестовом наборе STS-B получено значение Spearman 67,32, ниже приведённого результата оригинальной работы SimCSE; обучение на небольшом и узком корпусе ограничивает перенос на другие жанры и предметные области. Карточка также предупреждает о завышении сходства для тематически похожих предложений, наследуемых смещениях и вариативности результатов из-за одного обучающего запуска. Лицензия — Apache-2.0.

Сценарии применения

  • сравнение семантического сходства двух английских предложений
  • поиск похожих формулировок по косинусному сходству эмбеддингов
  • группировка близких по смыслу английских предложений
  • сопоставление вариантов предложения в учебном эксперименте

Ограничения

Обучение на небольшом корпусе подписей и предложений SNLI ограничивает перенос на другие жанры; входы длиннее 64 токенов обрезаются. Модель может переоценивать сходство тематически близких, но различающихся по ключевому событию предложений; результаты не проверялись для других языков и специализированных областей.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

RusselKuAguilar/simcse-bert-uncased-unsup

Unsupervised SimCSE sentence encoder trained from bert-base-uncased on a 100k-record subset of SNLI, as a course replication of Gao, Yao & Chen (EMNLP 2021). It maps an English sentence to a 768-dimensional vector; compare sentences with cosine similarity.

Team (Universidad Politécnica de Yucatán, U2T02): Acosta Castellanos Bianca Alexandra, Canche Chuc Angel Rivaldo, Ku Aguilar Russel, Sanchez Novelo Damian, Velasco Martin Jonathan Abisai.

Training data

165,528 unique sentences (premises and hypotheses, whitespace-stripped) from snli_train_100k.jsonl, a 100k-record subset of the SNLI train split. Labels are not used: each sentence is its own positive, the two views differ only by dropout.

The paper trained on much more data (1M Wikipedia sentences for unsupervised; ~314k SNLI+MNLI pairs for supervised). This model is therefore not expected to reach the paper's numbers; see Limitations.

Training recipe

Unsupervised SimCSE (Gao et al., 2021, Eq. 1): InfoNCE over a batch of N sentences, positive = the same sentence encoded with an independent dropout mask, negatives = the other N-1 = 63 sentences of the batch.

SettingValue
Base modelbert-base-uncased
PoolingCLS
Learning rate3e-05
Batch size64
Epochs1
Temperature (tau)0.05
Max sequence length64
Dropout0.1 (bert-base-uncased default)
Warmup ratio / weight decay0.05 / 0.0
Seed42
Checkpoint selectionbest STS-B dev Spearman, evaluated every 250 steps and at epoch end
HardwareNVIDIA L4, 835.2 s

Inference representation: [CLS] token of the last layer. The MLP head was used only during training and is discarded at inference, as in the paper.

Evaluation (STS-B, Spearman x100)

Protocol: encode both sentences, L2-normalize, cosine similarity, Spearman against the human scores; no regressor ("all" aggregation, Gao et al. Appendix B). Test was evaluated once, after selecting the checkpoint on dev. Alignment uses STS-B pairs with score >= 4; uniformity uses all sentences (Wang & Isola, 2020; lower is better for both).

SplitSpearmanAlignment (a=2)Uniformity (t=2)Paper (Gao et al.)
Dev76.320.3150-2.888782.5
Test67.320.3501-2.890076.85

Reference baselines with the same evaluation code: raw bert-base-uncased (mean pooling) 59.31 / 47.29; SBERT-2019 (bert-base-nli-mean-tokens) 80.77 / 76.98 (dev / test).

Verified after upload: reloaded from the Hub and re-evaluated on STS-B test = 67.32 (table value 67.32).

Usage

from sentence_transformers import SentenceTransformer

model = SentenceTransformer("RusselKuAguilar/simcse-bert-uncased-unsup")
sentences = [
    "A man is playing a guitar.",
    "Someone is playing an instrument.",
    "A dog is chasing a ball in the park.",
]
emb = model.encode(sentences, normalize_embeddings=True)
print(emb @ emb.T)  # cosine similarity matrix

Use sentence-transformers (not a raw AutoModel with your own pooling): the pooling is stored in the model's module configuration, and using a different pooling silently changes the embeddings.

Limitations

  • Small, narrow training corpus. Only SNLI sentences: short, simple descriptions of photographs (SNLI premises are Flickr30k captions). Quality drops on other genres; on STS-B the test score is clearly below dev (76.32 vs 67.32).
  • Topical similarity is over-rated. Sentences that share a template and a topic but differ in the key entity or event (e.g. two different attacks in two different countries) get high cosine similarity even when humans rate them as unrelated.
  • English only, max 64 tokens; longer inputs are truncated. Not evaluated on retrieval benchmarks, other languages, or specialised domains (legal, biomedical, code).
  • Biases. Inherits the social biases of BERT pre-training data and of SNLI, whose hypotheses were written by crowd workers and contain known annotation artifacts and stereotypes.
  • Single seed. Reported from one training seed; run-to-run variation is roughly +-0.5 Spearman on dev in our supervised seed study, so differences under ~1 point should not be over-interpreted.
  • Intended for teaching and research, not for decisions about people.

Citation

@inproceedings{gao2021simcse,
  title={SimCSE: Simple Contrastive Learning of Sentence Embeddings},
  author={Gao, Tianyu and Yao, Xingcheng and Chen, Danqi},
  booktitle={EMNLP},
  year={2021}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · sentence-transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
BertModel
Ревизия весов
a7f72ac

0 моделей