Характеристики

Контекст: 262 144 токена
Лицензия: Apache 2.0
Архитектура: qwen3_5 · dense
Базовая модель: Qwen3.5-2B
Библиотека: transformers
Опубликована: 21 сен 2026

Ссылки

chord-2b-student

ЭмбеддингиТекст → embedding3 профессии

Дистиллированный энкодер на базе Qwen3.5-2B для получения векторных представлений и оценки когерентности текстов метрикой CHORD.

21скачиваний за 30 дней0лайковвеса обновлены21 сен 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

CHORD 2B student — модель-энкодер на базе Qwen3.5-2B, разработанная для метрики когерентности CHORD. Это дистиллированная версия слияния весов базовой модели и LoRA-адаптеров; обученный линейный считыватель проецирует представление последнего токена из 2048 векторов в пространство из 256 координат, аппроксимируя координаты PCA учительской модели с 27 млрд параметров. Модель принимает текст и выдаёт векторные представления для оценки когерентности.

Предназначена для вычисления RBF-MMD между наборами текстов по шаблону coherence; пример — сравнение текста с эталонным пулом. Протокол использует нормализацию пробелов и ограничение длины в 532 токена, включая суффикс промпта; значения MMD сопоставимы только при использовании одного и того же энкодера и протокола. Модель распространяется в формате safetensors вместе с отдельным файлом считывателя и токенизатором. Лицензия — Apache-2.0.

Сценарии применения

сравнение когерентности набора текстов с эталонным корпусом
оценка сходства распределений текстов с помощью RBF-MMD
извлечение векторных представлений текста для метрики CHORD

Ограничения

Значения MMD сопоставимы только при использовании одного энкодера и того же протокола; обработка ограничена длиной 532 токена вместе с суффиксом промпта.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

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 I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей II.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

Открыть на Hugging Face

CHORD 2B student

The distilled Qwen3.5-2B encoder of the CHORD coherence metric: Qwen3.5-2B with LoRA adapters (merged into these weights) and a trained linear readout projector.pt (P_S: 2048 -> 256) on the last-token state of the coherence prompt, trained to regress the 27B teacher's top-256 PCA coordinates with a single per-sample relative-MSE loss.

It is used like any local encoder of the code repository: point a config's model: at the downloaded directory (the readout is loaded automatically), or

python scripts/download_data.py --repo mikezhu/chord-data --checkpoint mikezhu/chord-2b-student
python scripts/score_chord.py --model-key 27b ...   # or a config naming outputs/distill/student_2b/final

Protocol: PromptEOL coherence template, max_length: 532 (512-token body plus the reserved prompt suffix), last hidden state, whitespace text normalization, RBF-MMD with a median bandwidth fitted on the reference pool. Raw MMD values are comparable only within one encoder and protocol.

Files: model.safetensors (merged weights, float32), projector.pt (readout), bridge.json (readout metadata), tokenizer files. Training recipe: configs/distill/student_2b.yaml in the code repository; data: mikezhu/chord-data.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры: Qwen3_5Model
Ревизия весов: b23604d