/ Модель

Характеристики

Контекст
514 токенов
Параметры
137 млн
Архитектура
mpnet · dense
Базовая модель
all-mpnet-base-v2
Библиотека
sentence-transformers
Опубликована
23 янв 2026

story-similarity-mpnet-plots-es-en-NE-Masked

ЭмбеддингиТекст → embedding5 профессий

Дообученная MPNet-модель кодирует тексты в векторы для поиска и сравнения похожих сюжетов.

106скачиваний за 30 дней0лайковвеса обновлены24 янв 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

Модель ahmedHamdi/story-similarity-mpnet-plots-es-en-NE-Masked — дообученная с помощью AutoTrain модель Sentence Transformers на базе sentence-transformers/all-mpnet-base-v2 для оценки семантического сходства предложений. Она кодирует текст в плотные векторы, которые можно сравнивать для поиска похожих сюжетов и других текстов. Модель содержит 136,7 млн параметров, использует архитектуру MPNet и формат safetensors; максимальная длина контекста — 514 токенов.

Для использования требуется библиотека Sentence Transformers. В карточке указана метрика loss 0,915, но её методика и качество на практических данных не описаны. Лицензия в доступных сведениях не приведена.

Сценарии применения

  • поиск сюжетов, похожих на заданный текст
  • ранжирование сюжетов по семантическому сходству
  • поиск похожих предложений в коллекции текстов

Ограничения

Карточка приводит только значение loss без описания методики оценки и результатов на практических данных; качество и область обучающих данных не раскрыты.

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: 0.9149424433708191

runtime: 641.1085

samples_per_second: 1.137

steps_per_second: 0.072

: 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
MPNetModel
Ревизия весов
e894910

0 моделей