Реранкер на базе T5, дообученный на MS MARCO и MedMARCO для сортировки поисковых пассажей и документов по релевантности запросу.
Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды
Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.
Вместе с другими моделями категории «Эмбеддинги» — сравнение идёт внутри одной категории.
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.
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.
Описание составлено по карточке модели и метаданным Hugging Face
castorini/monot5-3b-med-msmarco — реранкер на архитектуре T5, дообученный сначала на MS MARCO Passage в течение 10 тысяч шагов (около одной эпохи), затем на MedMARCO из работы Sledge-Z ещё 1 тысячу шагов. Модель предназначена для переоценки релевантности пассажей и ранжирования документов по запросу, в том числе в медицинском поиске.
Модель принимает текстовый запрос вместе с текстом кандидата и оценивает их релевантность; контекст составляет 512 токенов. В метаданных указано 385,2 млн параметров и формат PyTorch. Карточка ссылается на работу о ранжировании документов с предобученной sequence-to-sequence моделью и на pygaggle.ai для инструкций по применению. Лицензия в предоставленных данных не указана.
Контекст ограничен 512 токенами. Дообучение на MedMARCO указывает на медицинский поиск, но предоставленные данные не подтверждают применимость для клинических решений; лицензия не указана.
Разделы каталога профессий, в задачах которых используется эта модель
README от автора на Hugging Face, как он его опубликовал
This model is a T5-3B reranker fine-tuned on the MS MARCO passage dataset for 10K steps (or 1 epoch) and then fine-tuned again on MedMARCO (from Sledge-Z paper) for 1K steps.
For more details on how to use it, check pygaggle.ai!
Paper describing the model: Document Ranking with a Pretrained Sequence-to-Sequence Model
На своей GPU в ailist. Цена — по текущим предложениям провайдеров
GPU в ailist
Универсальный рантайм
Подбираем GPU…