Характеристики

Контекст: 1 000 000 токенов
Лицензия: Apache 2.0
Архитектура: model2vec · dense
Базовая модель: nomic-embed-text-v2-moe
Библиотека: model2vec
Опубликована: 31 мая 2025

Ссылки

static-nomic-eng-ptbr-tiny

ЭмбеддингиТекст → embedding9 профессий

Компактная модель Model2Vec создаёт 50-мерные текстовые эмбеддинги для семантического поиска на английском и португальском языках.

62скачиваний за 30 дней4лайкавеса обновлены1 июн 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

cnmoro/static-nomic-eng-ptbr-tiny — компактная статическая модель эмбеддингов, созданная автором репозитория с помощью Tokenlearn на основе nomic-embed-text-v2-moe. Она преобразует текстовые passages в векторы размерностью 50 и предназначена для семантического поиска и извлечения документов на английском и португальском языках. Модель обучалась примерно на 20 млн фрагментов текста, включая англоязычный корпус MS MARCO и набор португалоязычных триплетов.

Модель использует архитектуру Model2Vec StaticModel и распространяется в формате safetensors; лицензия — Apache-2.0. Она подходит для сценариев, где важны компактные эмбеддинги для поиска и сопоставления текстов. Карточка называет её более минималистичной версией cnmoro/static-nomic-eng-ptbr, но не приводит сравнительных результатов качества.

Сценарии применения

семантический поиск англоязычных документов
поиск документов на бразильском португальском
извлечение релевантных passages из корпуса
сопоставление текстовых запросов и фрагментов по смыслу

Ограничения

Выходные эмбеддинги имеют размерность 50; карточка не приводит метрик качества или сравнительных оценок с базовой и полной версиями модели.

Для каких профессий подходит9

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.1Универсальные способностиПоиск и навигация по информацииAI помогает находить нужные сведения и помогать человеку быстро переходить от вопроса к подтверждённому источнику.18 задач13 467моделей I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

This Model2Vec model was created by using Tokenlearn, with nomic-embed-text-v2-moe as a base, trained on around 20M passages (english and portuguese).

The output dimension is 50.

This is supposed to be a more minimalistic version of cnmoro/static-nomic-eng-ptbr

Usage

Load this model using the from_pretrained method:

from model2vec import StaticModel

# Load a pretrained Model2Vec model
model = StaticModel.from_pretrained("cnmoro/static-nomic-eng-ptbr-tiny")

# Compute text embeddings
embeddings = model.encode(["Example sentence"])

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · model2vec

Нельзя запустить

Архитектура model2vec неизвестна transformers в образе рантайма.

Класс архитектуры: StaticModel
Ревизия весов: 01c8cbc