/ Модель

Характеристики

Контекст
512 токенов
Параметры
25,9 млн
Архитектура
bert · dense
Базовая модель
all-MiniLM-L6-v2
Библиотека
sentence-transformers
Опубликована
24 авг 2024

autotrain-l21an-6mkt7

ЭмбеддингиТекст → embedding10 профессий

Дообученный энкодер предложений на базе all-MiniLM-L6-v2 для получения текстовых эмбеддингов и оценки семантического сходства.

106скачиваний за 30 дней0лайковвеса обновлены24 авг 2024

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

booster-team/autotrain-l21an-6mkt7 — это дообученный с помощью AutoTrain энкодер предложений на архитектуре BERT, основанный на sentence-transformers/all-MiniLM-L6-v2. Модель содержит 25,9 млн параметров, принимает текст и формирует плотные векторные представления предложений для оценки семантического сходства. Контекст ограничен 512 токенами.

Модель предназначена для сравнения смысловой близости текстов и извлечения эмбеддингов, которые можно использовать в поиске, группировке и других задачах работы с предложениями. В карточке приведена метрика loss 0,676 на валидации, но нет описания набора данных или протокола оценки, поэтому по ней нельзя судить о качестве в конкретном сценарии. Использование предполагает библиотеку Sentence Transformers; лицензия в предоставленных данных не указана.

Сценарии применения

  • поиск текстов по смыслу
  • сравнение семантической близости предложений
  • группировка похожих текстов по эмбеддингам

Ограничения

Контекст ограничен 512 токенами. В README указана валидационная loss 0,676, но без сведений о данных и протоколе оценивания эта метрика не позволяет предсказать качество на конкретном наборе текстов.

Для каких профессий подходит10

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: 0.6764523983001709

runtime: 40.1143

samples_per_second: 49.858

steps_per_second: 3.116

: 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
251853b

0 моделей