/ Модель

Характеристики

Контекст
512 токенов
Параметры
25,9 млн
Архитектура
bert · dense
Базовая модель
all-MiniLM-L6-v2
Библиотека
sentence-transformers
Опубликована
1 авг 2026

minilm-medical-qa

ЭмбеддингиТекст → embedding5 профессий

Дообученный энкодер предложений на базе MiniLM для семантического сравнения текстов, в том числе медицинских вопросов и материалов.

21скачиваний за 30 дней0лайковвеса обновлены1 авг 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

VinNik321/minilm-medical-qa — дообученный с помощью AutoTrain энкодер предложений на базе sentence-transformers/all-MiniLM-L6-v2, предназначенный для оценки сходства между текстами. Модель построена на архитектуре BERT, содержит 25,9 млн параметров и принимает текстовые предложения длиной до 512 токенов, формируя эмбеддинги для семантического сравнения.

Модель можно использовать для поиска семантически близких вопросов и ответов в медицинских материалах, сопоставления запросов с фрагментами документов и группировки похожих текстов. Карточка сообщает значение loss на валидации, но не описывает набор данных, метрики качества или языки обучения; медицинское назначение в названии само по себе не подтверждает клиническую точность. Лицензия в предоставленных данных не указана.

Сценарии применения

  • поиск медицинских документов по смыслу запроса
  • сопоставление медицинского вопроса с подходящим ответом
  • поиск похожих вопросов в базе знаний
  • кластеризация медицинских текстов по смыслу

Ограничения

В карточке приведено только значение loss на валидации без набора данных и интерпретируемых метрик качества. Поддерживаемые языки и клиническая точность отдельно не подтверждены; контекст ограничен 512 токенами.

Для каких профессий подходит5

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

Model Trained Using AutoTrain

  • Problem type: Sentence Transformers

Validation Metrics

loss: 0.2922568619251251

runtime: 9.0068

samples_per_second: 11.547

steps_per_second: 0.777

: 3.0

Usage

Direct Usage (Sentence Transformers)

First install the Sentence Transformers library:

pip install -U sentence-transformers

Then you can load this model and run inference.

from sentence_transformers import SentenceTransformer

# Download from the Hugging Face Hub
model = SentenceTransformer("sentence_transformers_model_id")
# Run inference
sentences = [
    'search_query: autotrain',
    'search_query: auto train',
    'search_query: i love autotrain',
]
embeddings = model.encode(sentences)
print(embeddings.shape)

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)

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
42f52e4

0 моделей