Характеристики

Контекст: 512 токенов
Параметры: 205 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Библиотека: onnxruntime
Опубликована: 12 сен 2026

Ссылки

rubert-nli-threeway-onnx

Классификация текстаТекст → label6 профессий

Русскоязычная BERT-модель в ONNX для классификации пары «посылка — гипотеза» на следование, противоречие или нейтральное отношение.

133скачиваний за 30 дней0лайковвеса обновлены28 сен 2026

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

rubert-nli-threeway-onnx — русскоязычный BERT-классификатор последовательностей, экспортированный в ONNX. Модель разработана для трёхстороннего распознавания логического отношения между посылкой и гипотезой: следование (entailment), противоречие (contradiction) или нейтральное отношение (neutral). Она принимает input_ids, attention_mask и token_type_ids и выдаёт logits для трёх классов.

В репозитории представлены варианты fp32, fp16 и динамический int8. Версии fp16 и int8 предназначены для уменьшения размера и ускорения инференса на соответствующем оборудовании; для всех вариантов сохранены входы и выходы формата fp32/целочисленных идентификаторов. Контекст — до 512 токенов, размер модели — 205,1 млн параметров. README сообщает о проверке сохранения предсказанного класса на восьми наборах примеров, что не является широкой оценкой качества. Лицензия — Apache-2.0.

Сценарии применения

проверка, следует ли гипотеза из текста
поиск противоречий между двумя утверждениями
определение нейтрального отношения между посылкой и гипотезой

Ограничения

Проверка в README охватывает только восемь примеров и не позволяет судить о качестве на широком наборе данных. Максимальная длина контекста составляет 512 токенов.

Для каких профессий подходит6

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.2Универсальные способностиСинтез, понимание и проверка знанийAI помогает сжимать, сопоставлять и критически проверять знания без потери существенного контекста.18 задач42 341модель I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей II.1Разработка и данныеАнализ требований и архитектура ПОAI помогает переводить потребности бизнеса в непротиворечивые требования и технические решения.20 задач18 191модель 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

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

rubert-nli-threeway (ONNX: fp32 / fp16 / int8)

Three-way NLI (entailment / contradiction / neutral) cross-encoder, ONNX export. Three precision variants; all keep fp32 I/O (int64 ids, float32 logits) so consumers are unchanged:

model.onnx - fp32 (reference).
model.fp16.onnx - fp16 weights (GPU; ~half size).
model.int8.onnx - dynamic-int8 weights on the linear (MatMul) layers (CPU; smaller, embeddings kept in fp32 to preserve class parity).

Inputs input_ids+attention_mask+token_type_ids; output logits [b,3] with id2label {0: entailment, 1: contradiction, 2: neutral}. Validated on 8 generic (premise, entailing, contradicting) triples: predicted class preserved on every pair for all variants (int8 vs fp32 max probability drift <=0.03). kbx nli download [--fp16|--int8] --to <dir> fetches a variant (saved as model.onnx). Base license apache-2.0.

Как запустить

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

GPU в ailist

Универсальный рантайм · onnxruntime

Нельзя запустить

Модель выложена только в формате ONNX.

Класс архитектуры: BertForSequenceClassification
Ревизия весов: d09989c