Model used in Starbucks: Improved Training for 2D Matryoshka Embeddings
Github repo: https://github.com/ielab/Starbucks
Характеристики
- Контекст
- 512 токенов
- Параметры
- 137 млн
- Лицензия
- Apache 2.0
- Архитектура
- bert · dense
- Базовая модель
- bert-base-uncased
- Опубликована
- 9 окт 2024
Ссылки
bert-base-uncased-fineweb100bt-smae
Англоязычная дообученная BERT-модель для заполнения пропусков в тексте и извлечения признаков.
22скачиваний за 30 дней0лайковвеса обновлены18 окт 2024
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
Модель ielabgroup/bert-base-uncased-fineweb100bt-smae — дообученная версия google-bert/bert-base-uncased, связанная с работой «Starbucks: Improved Training for 2D Matryoshka Embeddings». Это англоязычная модель семейства BERT с архитектурой BertForMaskedLM, обученная на данных FineWeb. Она предназначена для заполнения пропусков в тексте и может использоваться для извлечения признаков в задачах понимания языка. Модель содержит 136,7 млн параметров, принимает последовательности длиной до 512 токенов и распространяется по лицензии Apache-2.0.
Карточка не описывает специальные улучшения, результаты оценки или конкретные сценарии применения эмбеддингов; назначение по доступным данным определяется задачей fill-mask.
Сценарии применения
- предсказание замаскированных слов в английском тексте
- получение признаковых представлений английских текстов
- использование в экспериментах с матрёшечными эмбеддингами
Ограничения
Карточка не приводит оценок качества и не раскрывает конкретные улучшения относительно базовой модели. Контекст ограничен 512 токенами.
Для каких профессий подходит3
Разделы каталога профессий, в задачах которых используется эта модель
II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделейI.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделейII.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей
Карточка модели
README от автора на Hugging Face, как он его опубликовал
Как запустить
На своей GPU в ailist. Цена — по текущим предложениям провайдеров
GPU в ailist
Универсальный рантайм · fill-mask
Подбираем GPU…
- Класс архитектуры
- BertForMaskedLM
- Ревизия весов
- f18de50