Характеристики

Контекст: 512 токенов
Параметры: 25,9 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Опубликована: 29 июн 2026

Ссылки

supply-chain-embeddings

ЭмбеддингиТекст → embedding5 профессий

Дообученная модель эмбеддингов на базе all-MiniLM-L6-v2 для семантического поиска и подбора контекста RAG по тематике цепочек поставок.

106скачиваний за 30 дней0лайковвеса обновлены29 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.

Добавьте модель в бенчмарк
Вместе с другими моделями категории «Эмбеддинги» — сравнение идёт внутри одной категории.
Опишите свои задачи
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
Запустите и опубликуйте
Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Открыть конструктор бенчмарка

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

Supply Chain RAG Embeddings — дообученная Varun Mathur модель эмбеддингов на базе all-MiniLM-L6-v2 для поиска по материалам о цепочках поставок. Она преобразует текстовые запросы и документы в векторные представления для retrieval-сценариев, включая поиск исторических прецедентов, сведений об экспортном контроле, источниках поставок в Индии и пар вопрос–ответ о мерах снижения рисков. Модель построена на архитектуре BERT, содержит 25,9 млн параметров и рассчитана на контекст до 512 токенов.

Модель подходит для семантического поиска и подбора контекста в системах RAG по тематике цепочек поставок. В карточке указана лицензия Apache-2.0. README показывает пример кодирования текстового запроса через Sentence Transformers; качество зависит от соответствия корпуса и запросов тематике обучения.

Сценарии применения

поиск исторических сбоев и прецедентов в цепочках поставок
поиск сведений об экспортном контроле
поиск поставщиков и источников поставок в Индии
подбор контекста для ответов о снижении рисков в цепочках поставок

Ограничения

Контекст ограничен 512 токенами. Дообучение ориентировано на материалы о цепочках поставок, поэтому качество поиска за пределами этой тематики может быть ниже.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

IV.7Отраслевые задачиЦепочки поставок, склады, логистика и международная торговляAI помогает планировать сеть поставок, склады, перевозки и международное движение товаров.42 задачи392модели III.9Корпоративные функцииЗакупки и управление поставщикамиAI помогает повышать прозрачность закупок, находить экономию и снижать риски поставщиков.22 задачи643модели III.10Корпоративные функцииПроекты, процессы и операционное управлениеAI помогает планировать работу, обнаруживать отклонения и улучшать операционные процессы.25 задач2 527моделей III.8Корпоративные функцииДоговоры, юридическая работа и complianceAI помогает ускорять юридический анализ и compliance, не подменяя профессиональное заключение.25 задач1 953модели

Также подходит для

III.1Стратегия, продукт и бизнес-модели

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Supply Chain RAG Embeddings

Fine-tuned all-MiniLM-L6-v2 for supply-chain RAG retrieval (historical precedents, export controls, India sourcing, mitigation QA pairs).

Usage

from sentence_transformers import SentenceTransformer
model = SentenceTransformer("mathurvarun84/supply-chain-embeddings")
q = model.encode("Red Sea shipping disruption semiconductor")

Local project

Set in .env:

EMBEDDING_MODEL_PATH=mathurvarun84/supply-chain-embeddings

Then rebuild ChromaDB:

python scripts/build_rag_collections.py --flush

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры: BertModel
Ревизия весов: 25dfbfe