/ Модель

Характеристики

Контекст
1 024 токена
Параметры
138 млн
Лицензия
Apache 2.0
Архитектура
modernbert · dense
Библиотека
sentence-transformers
Опубликована
12 дек 2025

ogbert-110m-sentence

ЭмбеддингиТекст → embedding8 профессий

Англоязычная модель на базе ModernBERT создаёт нормализованные векторы предложений для поиска по смыслу и кластеризации специализированных текстов.

99скачиваний за 30 дней1лайквеса обновлены12 дек 2025

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

OGBert-110M-Sentence — модель эмбеддингов предложений на базе ModernBERT, разработанная автором репозитория mjbommar. Она предназначена для представления глоссариев и специализированных текстов в виде векторов, которые можно сравнивать по смыслу и использовать для кластеризации и поиска документов. Архитектура включает ModernBERT, усреднение токенов и L2-нормализацию; в README указано 110 млн параметров, а метаданные сообщают 138,4 млн. Контекст — до 1024 токенов. Модель обучалась на корпусе специализированных словарных статей OpenGloss и заявлена для английского языка.

В описанных оценках модель показала результаты для кластеризации документов, тематического поиска и сходства слов; README приводит метрики на небольших наборах данных, поэтому они не гарантируют аналогичного качества на других доменах. Модель принимает текст и выдаёт нормализованные векторы. Лицензия — Apache-2.0.

Сценарии применения

  • поиск тематически похожих документов
  • кластеризация документов по предметным категориям
  • сравнение сходства предложений в глоссариях
  • поиск терминов и словарных статей по смыслу

Ограничения

Оценки в README получены на небольших выборках и могут не переноситься на другие задачи и предметные области. Модель ориентирована на английский язык и ограничена контекстом в 1024 токена.

Для каких профессий подходит8

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

OGBert-110M-Sentence

A 110M parameter ModernBERT-based sentence embedding model for glossary and domain-specific text.

Related models:

Model Details

PropertyValue
ArchitectureModernBERT + Mean Pooling + L2 Normalize
Parameters110M
Hidden size768
Layers12
Attention heads12
Vocab size32,768
Max sequence1,024 tokens
Embedding dim768 (L2 normalized)

Training

  • Pretraining: Masked Language Modeling on domain-specific glossary corpus
  • Dataset: mjbommar/ogbert-v1-mlm - derived from OpenGloss, a synthetic encyclopedic dictionary with 537K senses across 150K lexemes
  • Checkpoint: Step 8K (selected for optimal downstream performance)
  • Key finding: L2 normalization of embeddings is critical for clustering/retrieval performance

Performance

Document Clustering (ARI)

Evaluated on 80 domain-specific documents across 10 categories using KMeans clustering.

ModelParamsARICluster Acc
OGBert-110M-Sentence110M0.9410.975
BERT-base110M0.8960.950
RoBERTa-base125M0.9410.975
MiniLM-L6-v222M0.8330.925

OGBert-110M-Sentence matches RoBERTa-base on clustering and beats MiniLM by 13%.

Document Retrieval (MRR)

Mean Reciprocal Rank for same-category document retrieval.

ModelParamsSample MRR
OGBert-110M-Sentence110M0.959
BERT-base110M0.994
RoBERTa-base125M0.989
MiniLM-L6-v222M0.958

Word Similarity (SimLex-999)

Spearman correlation between model cosine similarities and human judgments.

ModelParamsSimLex-999 (ρ)
OGBert-110M-Sentence110M0.345
BERT-base110M0.070
RoBERTa-base125M-0.061

OGBert-110M-Sentence achieves 5x better word similarity than BERT-base.

Summary vs Baselines

At the same size as BERT-base, OGBert-110M-Sentence achieves:

  • 5x better word similarity (SimLex)
  • Matches RoBERTa on clustering (ARI)
  • 13% better clustering than MiniLM

Usage

Sentence-Transformers (Recommended)

from sentence_transformers import SentenceTransformer

model = SentenceTransformer('mjbommar/ogbert-110m-sentence')
embeddings = model.encode(['your text here'])  # L2 normalized by default

Example - Domain Similarity:

sentences = [
    'The financial audit revealed discrepancies in the quarterly report.',
    'An accounting review found errors in the fiscal statement.',
    'The patient was diagnosed with acute respiratory infection.',
]
embeddings = model.encode(sentences)

The model correctly identifies higher similarity within the same domain.

Direct Transformers Usage

from transformers import AutoModel, AutoTokenizer
import torch.nn.functional as F

tokenizer = AutoTokenizer.from_pretrained('mjbommar/ogbert-110m-sentence')
model = AutoModel.from_pretrained('mjbommar/ogbert-110m-sentence')

inputs = tokenizer('your text here', return_tensors='pt', padding=True, truncation=True)
outputs = model(**inputs)

# Mean pooling + L2 normalize (critical for performance)
mask = inputs['attention_mask'].unsqueeze(-1)
pooled = (outputs.last_hidden_state * mask).sum(1) / mask.sum(1)
embeddings = F.normalize(pooled, p=2, dim=1)

For Fill-Mask Tasks

Use mjbommar/ogbert-110m-base instead.

Citation

If you use this model, please cite the OpenGloss dataset:

@article{bommarito2025opengloss,
  title={OpenGloss: A Synthetic Encyclopedic Dictionary and Semantic Knowledge Graph},
  author={Bommarito II, Michael J.},
  journal={arXiv preprint arXiv:2511.18622},
  year={2025}
}

License

Apache 2.0

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
ModernBertModel
Ревизия весов
baa443c

0 моделей