/ Модель

Характеристики

Контекст
514 токенов
Параметры
152 млн
Архитектура
roberta · dense
Опубликована
20 авг 2026

roBERTa-nanobeir

Классификация текстаТекст → label9 профессий

Компактная англоязычная модель RoBERTa для семантического поиска и извлечения релевантных текстовых фрагментов.

99скачиваний за 30 дней0лайковвеса обновлены10 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

TensorVizion/roBERTa-nanobeir — англоязычная модель на архитектуре RoBERTa-base, дообученная автором на наборе NanoBEIR с помощью контрастивного обучения. Это компактный энкодер для поиска релевантных фрагментов: он кодирует запросы и тексты в векторы для семантического поиска, извлечения кандидатов и использования в RAG. Модель содержит 151,8 млн параметров и принимает последовательности длиной до 514 токенов; она ориентирована на быстрый запуск на ноутбуках, CPU и небольших GPU.

Модель также подходит для кластеризации текстов, поиска дубликатов и оценки сходства. Она не генерирует текст и предназначена для английского языка. Ограничения включают короткий контекст RoBERTa, слабую работу с узкими предметными областями и возможную зависимость оценок сходства от совпадения ключевых слов; автор также отмечает возможные смещения в данных. Лицензия в предоставленных данных не указана.

Сценарии применения

  • семантический поиск по документам и фрагментам текста
  • поиск кандидатов для RAG-системы
  • ранжирование фрагментов по сходству с запросом
  • кластеризация англоязычных текстов
  • поиск дубликатов и похожих текстов
  • оценка сходства между запросом и отрывками

Ограничения

Модель рассчитана на английский язык, ограничена контекстом до 514 токенов и может хуже работать на узких предметных областях. Оценки сходства могут чрезмерно учитывать совпадение ключевых слов и наследовать смещения обучающих данных.

Для каких профессий подходит9

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

TL;DR

This is a roberta-base model I fine-tuned on the NanoBEIR dataset for semantic search and passage retrieval. It's not chasing the top of any leaderboard — it's a compact, fast-loading embedding model that runs happily on modest hardware and still retrieves sensibly.

Why I made this

Most retrieval models on the Hub are enormous. Great results, sure — but they need serious GPUs just to load. I wanted something that:

  • fits comfortably on a laptop or a small GPU,
  • loads in seconds, not minutes,
  • and still generalises across different kinds of retrieval tasks.

NanoBEIR felt like the right training signal for that. It's a compact collection of retrieval tasks that mirrors the diversity of the full BEIR benchmark, so the model gets exposed to a bit of everything — questions, abstracts, web-style queries — without me needing a compute cluster to train it.

How to use it

The easy way, with sentence-transformers:

from sentence_transformers import SentenceTransformer

model = SentenceTransformer("YOUR_USERNAME/roberta-nanobeir")

queries = ["what causes the seasons"]
passages = [
    "The seasons are caused by the tilt of the Earth's rotational axis relative to its orbit around the Sun.",
    "To fix a leaky tap, first shut off the water supply under the sink.",
]

query_emb = model.encode(queries)
passage_emb = model.encode(passages)

scores = model.similarity(query_emb, passage_emb)
print(scores)  # the first passage should win, comfortably

If you'd rather stay in plain transformers, mean pooling + normalisation works fine too:

import torch
from transformers import AutoTokenizer, AutoModel

tokenizer = AutoTokenizer.from_pretrained("YOUR_USERNAME/roberta-nanobeir")
model = AutoModel.from_pretrained("YOUR_USERNAME/roberta-nanobeir")

def embed(texts):
    inputs = tokenizer(texts, padding=True, truncation=True,
                       max_length=512, return_tensors="pt")
    with torch.no_grad():
        out = model(**inputs)
    mask = inputs["attention_mask"].unsqueeze(-1)
    emb = (out.last_hidden_state * mask).sum(1) / mask.sum(1)
    return torch.nn.functional.normalize(emb, p=2, dim=1)

Training, in plain words

Nothing exotic here — a pretty standard contrastive setup: | Batch size | 4 | | Learning rate | 2e-5 |

The idea is simple: pull the matching passage close to its query in embedding space, push everything else in the batch away. Repeat a few hundred thousand times and the model slowly learns what "relevant" means across a bunch of different domains.

What it's good at

  • First-stage retrieval / candidate search over passages
  • Semantic search in apps, docs, RAG pipelines
  • Clustering, deduplication and similarity scoring
  • Running somewhere bigger models can't (laptops, CPUs, small GPUs)

What it's not good at

  • Anything non-English — the training data and base model are English-only
  • Very long documents. It inherits RoBERTa's 512-token limit, so if your "passage" is a chapter of a book, the model only ever sees the beginning. Chunk your documents.
  • Generative tasks. It's an encoder — it gives you vectors, not text.

Limitations & biases

A few things you should know before using this in anything real:

  • The training data is a mix of web-derived corpora, so the embeddings carry the usual baggage of web text. Like any embedding model, it can bake societal biases into its similarity scores. Please test it on your own data before deploying it anywhere that affects people.
  • It will occasionally tell you two passages are similar just because they share keywords, not because they mean the same thing. Keyword overlap is a habit every retrieval model has to unlearn, and this one only partly did.
  • Small model, small dataset: expect it to struggle on niche domains it never saw during training.

License

The weights are released under the MIT license (inherited from roberta-base). Note that NanoBEIR is assembled from several source corpora with their own licenses — if you redistribute training data or build something commercial on top, it's worth checking the constituent dataset licenses yourself.

Feedback

If this model is useful to you, or if you find a task where it embarrasses itself, open a discussion on the model card — I'd genuinely like to know. Retrieval models improve through people reporting where they fail, not through vibes.

Как запустить

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

GPU в ailist

Универсальный рантайм · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
RobertaForSequenceClassification
Ревизия весов
5b144d4

0 моделей