/ Модель

Характеристики

Контекст
512 токенов
Параметры
205 млн
Архитектура
bert · dense

simcse-model-m-bert-thai-cased

ЭмбеддингиТекст → embedding8 профессий

Тайская модель эмбеддингов на базе mBERT и SimCSE для семантического поиска и кластеризации текстов.

220скачиваний за 30 дней9лайковвеса обновлены5 окт 2021

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

mrp/simcse-model-m-bert-thai-cased — модель на основе mBERT, дообученная методом SimCSE на тайской Википедии. Она кодирует предложения и абзацы в плотные векторы размерности 768 для семантического поиска и кластеризации. Модель подходит для поиска похожих фрагментов текста и группировки тайских текстов по смыслу.

Архитектура — BERT; число параметров составляет 205,1 млн, максимальная длина контекста — 512 токенов. Модель принимает текст и выдаёт векторные представления. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

Сценарии применения

  • семантический поиск по тайским предложениям и абзацам
  • поиск похожих фрагментов тайского текста
  • кластеризация тайских текстов по смыслу

Ограничения

Контекст ограничен 512 токенами; модель обучалась на тайской Википедии, поэтому её качество для других языков и доменов может быть ниже.

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

{mrp/simcse-model-m-bert-thai-cased}

This is a sentence-transformers model: It maps sentences & paragraphs to a 768 dimensional dense vector space and can be used for tasks like clustering or semantic search.

We use SimCSE here by using mBERT as the baseline model and training the model with Thai Wikipedia here

Usage (Sentence-Transformers)

Using this model becomes easy when you have sentence-transformers installed:

pip install -U sentence-transformers

Then you can use the model like this:

from sentence_transformers import SentenceTransformer
sentences = ["ฉันนะคือคนรักชาติยังไงละ!", "พวกสามกีบล้มเจ้า!"]

model = SentenceTransformer('{MODEL_NAME}')
embeddings = model.encode(sentences)
print(embeddings)

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
1a30904

0 моделей