/ Модель

Характеристики

Контекст
8 192 токена
Параметры
149 млн
Лицензия
CC BY-NC-SA 4.0
Архитектура
modernbert · dense
Библиотека
sentence-transformers
Опубликована
28 окт 2025

patembed-base_long_4096

ЭмбеддингиТекст → embedding3 профессии

Модель создаёт эмбеддинги патентных текстов для поиска, сравнения, классификации и анализа патентных документов.

246скачиваний за 30 дней0лайковвеса обновлены28 окт 2025

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

datalyes/patembed-base_long_4096 — модель Sentence Transformers, разработанная в рамках проекта PatenTEB для получения векторных представлений патентных текстов. Она построена на архитектуре gte-modernbert-base с расширенным контекстом и дообучена методом многозадачного обучения на 13 задачах бенчмарка PatenTEB.

Модель предназначена для поиска патентов и предшествующего уровня техники, извлечения похожих документов, классификации и кластеризации патентов, а также анализа технологических направлений. Она создаёт эмбеддинги размерности 768; в README указано максимальное окно последовательности 4096 токенов, а метаданные указывают нативный контекст 8192 токена. Для оптимального результата при инференсе следует использовать инструкции, специфичные для задачи.

Модель содержит 149 млн параметров, имеет 22 слоя и поддерживает английский язык. Репозиторий использует формат safetensors и библиотеку sentence-transformers. Лицензия CC BY-NC-SA 4.0 требует атрибуции и ограничивает коммерческое использование.

Сценарии применения

  • семантический поиск патентов
  • поиск предшествующего уровня техники
  • сравнение патентных документов по смыслу
  • кластеризация патентов по тематике
  • анализ технологических направлений

Ограничения

Модель ориентирована на английские патентные тексты и для оптимальной работы требует инструкций, соответствующих задаче. Лицензия CC BY-NC-SA 4.0 не допускает коммерческое использование.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

patembed-base_long_4096

This is a sentence-transformers model trained specifically for patent text embeddings. It is part of the PatenTEB project, which provides state-of-the-art models for patent document understanding and retrieval.

Note: This model uses task-specific instruction prompts during inference for optimal performance.

Model Details

  • Model Type: Sentence Transformer
  • Base Architecture: gte-modernbert-base with extended context
  • Parameters: 149M
  • Number of Layers: 22
  • Hidden Size: 768
  • Embedding Dimension: 768
  • Max Sequence Length: 4096 tokens
  • Language: English
  • License: CC BY-NC-SA 4.0

Model Description

Extended context variant initialized from gte-modernbert-base with 4096-token context window.

This model is part of the patembed family, developed through multi-task learning on 13 training tasks from the PatenTEB benchmark. For detailed information about the training methodology, architecture, and comprehensive evaluation results, please refer to our paper.

Usage

Using Sentence Transformers

from sentence_transformers import SentenceTransformer

# Load the model
model = SentenceTransformer('datalyes/patembed-base_long_4096')

# Encode patent texts
patent_texts = [
    "A method for manufacturing semiconductor devices...",
    "An apparatus for processing chemical compounds...",
]
embeddings = model.encode(patent_texts)

# Compute similarity
from sentence_transformers import util
similarity = util.cos_sim(embeddings[0], embeddings[1])
print(f"Similarity: {similarity.item():.4f}")

Using Transformers

from transformers import AutoTokenizer, AutoModel
import torch
import torch.nn.functional as F

# Load model and tokenizer
tokenizer = AutoTokenizer.from_pretrained('datalyes/patembed-base_long_4096')
model = AutoModel.from_pretrained('datalyes/patembed-base_long_4096')

def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output[0]
    input_mask_expanded = attention_mask.unsqueeze(-1).expand(token_embeddings.size()).float()
    return torch.sum(token_embeddings * input_mask_expanded, 1) / torch.clamp(input_mask_expanded.sum(1), min=1e-9)

# Tokenize and encode
texts = ["A method for manufacturing semiconductor devices..."]
encoded = tokenizer(texts, padding=True, truncation=True, return_tensors='pt')

with torch.no_grad():
    model_output = model(**encoded)
    embeddings = mean_pooling(model_output, encoded['attention_mask'])
    embeddings = F.normalize(embeddings, p=2, dim=1)

Patent Retrieval Example

from sentence_transformers import SentenceTransformer, util

model = SentenceTransformer('datalyes/patembed-base_long_4096')

# Query patent
query = "Method for reducing power consumption in mobile devices"

# Candidate patents
candidates = [
    "A power management system for portable electronic devices...",
    "Chemical composition for battery manufacturing...",
    "Method for wireless data transmission in mobile networks...",
]

# Encode and retrieve
query_emb = model.encode(query)
candidate_embs = model.encode(candidates)

# Compute similarities
scores = util.cos_sim(query_emb, candidate_embs)[0]

# Get ranked results
results = [(candidates[i], scores[i].item()) for i in range(len(candidates))]
results.sort(key=lambda x: x[1], reverse=True)

for patent, score in results:
    print(f"Score: {score:.4f} - {patent[:100]}...")

Intended Use

This model is designed for patent-specific tasks including:

  • Patent search and retrieval
  • Prior art search
  • Patent classification and clustering
  • Technology landscape analysis

For detailed training methodology, evaluation protocols, and performance analysis, please refer to our paper.

Citation

If you use this model, please cite our paper:

@misc{ayaou2025patentebcomprehensivebenchmarkmodel,
      title={PatenTEB: A Comprehensive Benchmark and Model Family for Patent Text Embedding}, 
      author={Iliass Ayaou and Denis Cavallucci},
      year={2025},
      eprint={2510.22264},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2510.22264}
}

Paper: PatenTEB on arXiv

License

This model is released under the Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) license.

Key Terms:

  • ✅ You can use, share, and adapt the model
  • ✅ You must give appropriate credit
  • ❌ You may not use the model for commercial purposes
  • ⚠️ If you adapt or build upon this model, you must distribute under the same license

For full license details: https://creativecommons.org/licenses/by-nc-sa/4.0/

Contact

  • Authors: Iliass Ayaou, Denis Cavallucci
  • Institution: ICUBE Laboratory, INSA Strasbourg
  • GitHub: PatentTEB/PatentTEB
  • HuggingFace: datalyes

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
ModernBertModel
Ревизия весов
8768dd3

0 моделей