/ Модель

Характеристики

Контекст
1 024 токена
Лицензия
Apache 2.0
Архитектура
gpt2 · dense
Базовая модель
gpt2-large
Библиотека
sentence-transformers
Опубликована
20 мая 2026

ide-code-retrieval-gpt2-large-llm2vec

ЭмбеддингиТекст → embedding5 профессий

Модель кодирует запросы на естественном языке и фрагменты кода в эмбеддинги для поиска релевантного исходного кода в IDE.

126скачиваний за 30 дней0лайковвеса обновлены22 мая 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

aysinghal/ide-code-retrieval-gpt2-large-llm2vec — модель SentenceTransformer на архитектуре GPT-2 Large, дообученная на наборе пар запрос–код для поиска исходного кода в IDE. Она кодирует короткие запросы на естественном языке и фрагменты кода в общий векторный space размерности 1024; поиск выполняется сравнением косинусного сходства нормализованных эмбеддингов. В карточке указано около 0,6 млрд параметров и максимальная длина последовательности 512 токенов.

Модель предназначена для поиска файлов или функций по сообщениям коммитов, описаниям ошибок и запросам на добавление функций. Её можно использовать для предварительного индексирования документов с кодом и последующего поиска ближайших по смыслу фрагментов. Обучение основано на датасете code-retrieval-training-dataset и использует явные сложные отрицательные примеры.

Опубликованный чекпойнт отмечен как промежуточный на шаге 0 из 0, при этом README сообщает, что функция потерь продолжала снижаться; качество может быть ниже у более поздних чекпойнтов. Длинные файлы обрезаются, а переносимость на разные языки программирования и стили запросов ограничена обучающим набором. Лицензия — Apache-2.0.

Сценарии применения

  • поиск файлов кода по сообщению коммита
  • поиск функций по описанию ошибки
  • поиск исходного кода по запросу на новую возможность
  • ранжирование фрагментов кода по смысловой близости к запросу

Ограничения

Это промежуточный чекпойнт с указанным прогрессом обучения 0%; более поздние чекпойнты могут работать лучше. Максимальная длина последовательности — 512 токенов, поэтому длинный код обрезается; модель может хуже обобщать на языки программирования и формулировки запросов, не представленные в обучении.

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

ide-code-retrieval-gpt2-large-llm2vec

A SentenceTransformer model fine-tuned from openai/gpt2-large for IDE code retrieval -- mapping natural-language commit queries to relevant source code documents via dense vector similarity.

Note: This is an intermediate checkpoint at step 0 / 0 (0.0% through 3 epochs). Training loss is still decreasing, so a later checkpoint may perform better.

Model Description

This model encodes both short natural-language queries (commit messages, search queries) and longer code documents into a shared embedding space. Retrieval is performed by computing cosine similarity between the query embedding and candidate code embeddings.

  • Base model: openai/gpt2-large (0.6B parameters)
  • Max sequence length: 512 tokens
  • Output dimensionality: 1024 (normalized)
  • Similarity function: Cosine similarity

Training Details

Dataset

  • Source: aysinghal/code-retrieval-training-dataset
  • Total pairs: 5,032,350
  • Train split: 4,780,732 pairs (95%)
  • Eval split: 251,618 pairs (5%)
  • Text strategy: truncate (max 4096 chars)
  • Negatives: Explicit hard negatives from the dataset
  • Pre-tokenized: Yes (token IDs stored on disk for zero-overhead data loading)

Loss Function

MultipleNegativesRankingLoss (InfoNCE) with explicit hard negatives. Each training example consists of an anchor (query), a positive (relevant code), and a hard negative (similar but irrelevant code). In-batch negatives provide additional contrast.

Hyperparameters

ParameterValue
Base modelopenai/gpt2-large
Learning rate2e-05
LR scheduleLinear with warmup
Warmup ratio0.1
Epochs3
Effective batch size256
Per-GPU batch size64
Gradient accumulation1
Max sequence length512 tokens
PrecisionBFloat16
Gradient checkpointingTrue
torch.compileEnabled (max-autotune)
Seed42
Eval strategyEvery 915 steps
Early stopping patience3

Hardware

  • GPUs: 4x NVIDIA L40S
  • Total training steps: 0 (3 epochs)

Training Progress (at checkpoint step 0)

  • Progress: 0 / 0 steps (0.0%)

Usage

Loading the Model

from sentence_transformers import SentenceTransformer

model = SentenceTransformer("aysinghal/ide-code-retrieval-gpt2-large-llm2vec")

Computing Embeddings

queries = [
    "fix null pointer exception in user authentication",
    "add retry logic to API client",
]
code_docs = [
    "def authenticate(user):\n    if user is None:\n        raise ValueError...",
    "class APIClient:\n    def request(self, url, retries=3):\n        ...",
]

query_embeddings = model.encode(queries)
code_embeddings = model.encode(code_docs)

# Compute cosine similarities
from sentence_transformers.util import cos_sim
similarities = cos_sim(query_embeddings, code_embeddings)
print(similarities)

Intended Use

  • Primary use case: Retrieving relevant code files/functions given a natural-language query (commit message, bug description, feature request)
  • Search pipeline: Encode a corpus of code documents offline, then at query time encode the query and find nearest neighbors via cosine similarity

Limitations

  • This is an early checkpoint (0.0% through training). The loss curve is still decreasing, so later checkpoints will likely perform better.
  • Trained on a specific code retrieval dataset; may not generalize to all programming languages or query styles without further fine-tuning.
  • Max context is 512 tokens -- very long files are truncated.

Citation

If you use this model, please cite the base model:

@article{qwen3embedding,
  title={Qwen3-Embedding},
  author={Qwen Team},
  year={2025}
}

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
GPT2Model
Ревизия весов
d2d6d69

0 моделей