/ Модель

Характеристики

Контекст
512 токенов
Параметры
25,9 млн
Лицензия
Apache 2.0
Архитектура
bert · dense
Базовая модель
all-MiniLM-L6-v2
Библиотека
sentence-transformers
Опубликована
4 июн 2026

bag-of-documents-minilm

ЭмбеддингиТекст → embedding6 профессий

Дообученный англоязычный энкодер MiniLM создаёт векторы поисковых запросов для семантического поиска и сравнения текстов, особенно в каталоге товаров Amazon ESCI.

90скачиваний за 30 дней0лайковвеса обновлены4 июн 2026

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

dtunkelang/bag-of-documents-minilm — англоязычный энкодер предложений от разработчика модели, дообученный на базе sentence-transformers/all-MiniLM-L6-v2 для исследовательского retrieval-проекта bag-of-documents с обучающими сигналами из каталога Amazon ESCI. Модель преобразует запросы, предложения и абзацы в нормализованные плотные векторы размерности 384; сходство можно оценивать косинусной мерой. Архитектура — Sentence Transformer на базе BERT с усреднением токенных представлений и нормализацией.

Модель предназначена прежде всего для кодирования поисковых запросов и семантического поиска по каталогу товаров, а также для сравнения текстов, поиска перефразировок и кластеризации. Метаданные указывают 25,9 млн параметров и контекст 512 токенов, тогда как README сообщает максимальную длину последовательности 256 токенов. В репозитории указана лицензия Apache-2.0. Модель обучалась на данных Amazon ESCI, поэтому её пригодность для других областей и языков может быть ниже; длинный текст сверх лимита последовательности не обрабатывается целиком.

Сценарии применения

  • семантический поиск товаров по короткому запросу
  • кодирование поискового запроса в вектор для retrieval-системы
  • сравнение семантической близости двух текстов
  • поиск перефразировок и похожих запросов
  • кластеризация запросов и товарных описаний

Ограничения

README указывает максимальную длину последовательности 256 токенов, а метаданные — контекст 512 токенов. Обучение ориентировано на англоязычные запросы и каталог Amazon ESCI, поэтому качество на других языках и в иных предметных областях не гарантируется.

Для каких профессий подходит6

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

The primary bag-of-documents query encoder: all-MiniLM-L6-v2 fine-tuned on bag-derived training signals from the Amazon ESCI catalog. Part of the bag-of-documents retrieval research; see the live demo.

SentenceTransformer based on sentence-transformers/all-MiniLM-L6-v2

This is a sentence-transformers model finetuned from sentence-transformers/all-MiniLM-L6-v2. It maps sentences & paragraphs to a 384-dimensional dense vector space and can be used for semantic textual similarity, semantic search, paraphrase mining, text classification, clustering, and more.

Model Details

Model Description

  • Model Type: Sentence Transformer
  • Base model: sentence-transformers/all-MiniLM-L6-v2
  • Maximum Sequence Length: 256 tokens
  • Output Dimensionality: 384 dimensions
  • Similarity Function: Cosine Similarity

Model Sources

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 256, 'do_lower_case': False, 'architecture': 'BertModel'})
  (1): Pooling({'word_embedding_dimension': 384, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True})
  (2): Normalize()
)

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 🤗 Hub
model = SentenceTransformer("sentence_transformers_model_id")
# Run inference
sentences = [
    'sebman',
    'night without stars',
    'kids swany gloves',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 384]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities)
# tensor([[1.0000, 0.3675, 0.1972],
#         [0.3675, 1.0000, 0.1981],
#         [0.1972, 0.1981, 1.0000]])

Training Details

Training Dataset

Unnamed Dataset

  • Size: 59,282 training samples
  • Columns: sentence_0 and label
  • Approximate statistics based on the first 1000 samples:
    sentence_0label
    typestringlist
    detailsmin: 3 tokensmean: 6.55 tokensmax: 31 tokenssize: 384 elements
  • Samples:
    sentence_0label
    amazon smart plug[-0.015805143862962723, -0.05832391977310181, 0.07093773037195206, 0.009944137185811996, 0.04236411303281784, ...]
    parchment paper[-0.10958580672740936, 0.0555688738822937, -0.02000853419303894, 0.047862447798252106, -0.02194875292479992, ...]
    midnight club 3 dub edition remix xbox[-0.13832898437976837, -0.035773828625679016, -0.008071236312389374, -0.06458242237567902, 0.015509296208620071, ...]
  • Loss: main.MSEEmbeddingLoss

Training Hyperparameters

Non-Default Hyperparameters

  • per_device_train_batch_size: 32
  • num_train_epochs: 15
  • eval_strategy: steps
  • per_device_eval_batch_size: 32
  • multi_dataset_batch_sampler: round_robin

All Hyperparameters

  • per_device_train_batch_size: 32
  • num_train_epochs: 15
  • max_steps: -1
  • learning_rate: 5e-05
  • lr_scheduler_type: linear
  • lr_scheduler_kwargs: None
  • warmup_steps: 0
  • optim: adamw_torch_fused
  • optim_args: None
  • weight_decay: 0.0
  • adam_beta1: 0.9
  • adam_beta2: 0.999
  • adam_epsilon: 1e-08
  • optim_target_modules: None
  • gradient_accumulation_steps: 1
  • average_tokens_across_devices: True
  • max_grad_norm: 1
  • label_smoothing_factor: 0.0
  • bf16: False
  • fp16: False
  • bf16_full_eval: False
  • fp16_full_eval: False
  • tf32: None
  • gradient_checkpointing: False
  • gradient_checkpointing_kwargs: None
  • torch_compile: False
  • torch_compile_backend: None
  • torch_compile_mode: None
  • use_liger_kernel: False
  • liger_kernel_config: None
  • use_cache: False
  • neftune_noise_alpha: None
  • torch_empty_cache_steps: None
  • auto_find_batch_size: False
  • log_on_each_node: True
  • logging_nan_inf_filter: True
  • include_num_input_tokens_seen: no
  • log_level: passive
  • log_level_replica: warning
  • disable_tqdm: False
  • project: huggingface
  • trackio_space_id: trackio
  • eval_strategy: steps
  • per_device_eval_batch_size: 32
  • prediction_loss_only: True
  • eval_on_start: False
  • eval_do_concat_batches: True
  • eval_use_gather_object: False
  • eval_accumulation_steps: None
  • include_for_metrics: []
  • batch_eval_metrics: False
  • save_only_model: False
  • save_on_each_node: False
  • enable_jit_checkpoint: False
  • push_to_hub: False
  • hub_private_repo: None
  • hub_model_id: None
  • hub_strategy: every_save
  • hub_always_push: False
  • hub_revision: None
  • load_best_model_at_end: False
  • ignore_data_skip: False
  • restore_callback_states_from_checkpoint: False
  • full_determinism: False
  • seed: 42
  • data_seed: None
  • use_cpu: False
  • accelerator_config: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None}
  • parallelism_config: None
  • dataloader_drop_last: False
  • dataloader_num_workers: 0
  • dataloader_pin_memory: True
  • dataloader_persistent_workers: False
  • dataloader_prefetch_factor: None
  • remove_unused_columns: True
  • label_names: None
  • train_sampling_strategy: random
  • length_column_name: length
  • ddp_find_unused_parameters: None
  • ddp_bucket_cap_mb: None
  • ddp_broadcast_buffers: False
  • ddp_backend: None
  • ddp_timeout: 1800
  • fsdp: []
  • fsdp_config: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}
  • deepspeed: None
  • debug: []
  • skip_memory_metrics: True
  • do_predict: False
  • resume_from_checkpoint: None
  • warmup_ratio: None
  • local_rank: -1
  • prompts: None
  • batch_sampler: batch_sampler
  • multi_dataset_batch_sampler: round_robin
  • router_mapping: {}
  • learning_rate_mapping: {}

Training Logs

EpochStepTraining Loss
0.26985000.1951
0.539710000.1530
0.809515000.1422
1.01853-
1.079320000.1349
1.349225000.1302
1.619030000.1266
1.888835000.1247
2.03706-
2.158740000.1200
2.428545000.1162
2.698350000.1159
2.968255000.1149
3.05559-
3.238060000.1106
3.507865000.1091
3.777770000.1088
4.07412-
4.047575000.1079
4.317380000.1047
4.587285000.1041
4.857090000.1047
5.09265-
5.126895000.1028
5.3967100000.1016
5.6665105000.1005
5.9363110000.1003
6.011118-
6.2062115000.0983
6.4760120000.0979
6.7458125000.0986
7.012971-
7.0157130000.0979
7.2855135000.0951
7.5553140000.0959
7.8251145000.0951
8.014824-
8.0950150000.0950
8.3648155000.0937
8.6346160000.0940
8.9045165000.0934
9.016677-
9.1743170000.0925
9.4441175000.0920
9.7140180000.0925
9.9838185000.0920
10.018530-
10.2536190000.0904
10.5235195000.0904
10.7933200000.0909
11.020383-
11.0631205000.0908
11.3330210000.0894
11.6028215000.0902
11.8726220000.0897
12.022236-
12.1425225000.0891
12.4123230000.0885
12.6821235000.0891
12.9520240000.0888
13.024089-
13.2218245000.0878
13.4916250000.0886
13.7615255000.0879
14.025942-
14.0313260000.0882
14.3011265000.0881
14.5710270000.0876
14.8408275000.0875
15.027795-

Framework Versions

  • Python: 3.14.3
  • Sentence Transformers: 5.3.0
  • Transformers: 5.4.0
  • PyTorch: 2.11.0
  • Accelerate: 1.13.0
  • Datasets: 4.8.4
  • Tokenizers: 0.22.2

Citation

BibTeX

Sentence Transformers

@inproceedings{reimers-2019-sentence-bert,
    title = "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks",
    author = "Reimers, Nils and Gurevych, Iryna",
    booktitle = "Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing",
    month = "11",
    year = "2019",
    publisher = "Association for Computational Linguistics",
    url = "https://arxiv.org/abs/1908.10084",
}

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
778b895

0 моделей