Производная модели castorini/tct_colbert-v2-hnp-msmarco. BERT-модель Castorini для извлечения векторных представлений и плотного поиска по текстовым коллекциям.
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
Карточка модели castorini/tct_colbert-v2-hn-msmarco на Hugging Face совпадает с карточкой castorini/tct_colbert-v2-hnp-msmarco, поэтому описание составлено по ней.
castorini/tct_colbert-v2-hnp-msmarco — модель семейства TCT-ColBERT-V2, опубликованная Castorini для воспроизведения варианта плотных моделей поиска, описанного в статье о дистилляции знаний для dense retrieval. Она предназначена для извлечения векторных представлений текстов и их использования в поиске по коллекции документов, в частности в сценариях, связанных с MS MARCO.
Модель построена на архитектуре BERT, содержит 136,7 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате PyTorch. README связывает её с исследовательской работой и отчётом о воспроизведении в Pyserini. Лицензия в доступных данных не приведена.
Контекст ограничен 512 токенами. Доступные сведения не уточняют лицензию и конкретные процедуры применения модели.
Разделы каталога профессий, в задачах которых используется эта модель
README от автора на Hugging Face, как он его опубликовал
This model is to reproduce a variant of TCT-ColBERT-V2 dense retrieval models described in the following paper:
Sheng-Chieh Lin, Jheng-Hong Yang, and Jimmy Lin. In-Batch Negatives for Knowledge Distillation with Tightly-CoupledTeachers for Dense Retrieval. RepL4NLP 2021.
You can find our reproduction report in Pyserini here.
На своей GPU в ailist. Цена — по текущим предложениям провайдеров
GPU в ailist
Универсальный рантайм
Подбираем GPU…