/ Модель

Характеристики

Контекст
512 токенов
Лицензия
CC BY-NC-SA 4.0
Архитектура
distilbert · dense
Библиотека
sentence-transformers
Опубликована
18 апр 2023

splade_v2_distil

ЭмбеддингиТекст → embedding7 профессий

Разреженный энкодер SPLADE-v2 на базе DistilBERT преобразует английские запросы и документы в векторы для семантического поиска и извлечения пассажей.

18 520скачиваний за 30 дней13лайковвеса обновлены30 июн 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

SPLADE-v2-distil — разреженный энкодер для поиска по предложениям и абзацам, представленный в карточке модели Naver. Он преобразует текст в разреженный вектор размерности 30 522; сходство между векторами оценивается скалярным произведением. Модель основана на distilbert/distilbert-base-uncased и использует архитектуру DistilBERT с MLM и max-пулингом SPLADE. Максимальная длина входа — 512 токенов, а для воспроизведения оценки в карточке указано ограничение 256 токенов.

Модель предназначена для семантического поиска, разреженного поиска и извлечения релевантных фрагментов, включая поиск пассажей. Подходит для кодирования запросов и документов в поисковой системе, поддерживающей sparse-векторы. В метаданных указаны английский язык и датасет MS MARCO. Распространяется по лицензии CC BY-NC-SA 4.0, которая требует указания авторства и распространяет ограничения на коммерческое использование и производные работы на тех же условиях.

Сценарии применения

  • семантический поиск по коллекции документов
  • поиск релевантных пассажей по запросу
  • разреженное индексирование текстов
  • кодирование запросов и документов для поисковой системы

Ограничения

Вход ограничен 512 токенами; в режиме воспроизведения оценки используется ограничение 256 токенов. Лицензия CC BY-NC-SA 4.0 запрещает коммерческое использование и требует соблюдения условий для производных работ.

Для каких профессий подходит7

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

Also called SPLADE-v2 in some papers

SPLADE_v2_distill

SPLADE model for passage retrieval. For additional details, please visit:

Model Details

This is a SPLADE Sparse Encoder model. It maps sentences & paragraphs to a 30522-dimensional sparse vector space and can be used for semantic search and sparse retrieval.

Model Description

  • Model Type: SPLADE Sparse Encoder
  • Base model: distilbert/distilbert-base-uncased
  • Maximum Sequence Length: 512 tokens (256 for evaluation reproduction)
  • Output Dimensionality: 30522 dimensions
  • Similarity Function: Dot Product

Full Model Architecture

SparseEncoder(
  (0): MLMTransformer({'max_seq_length': 512, 'do_lower_case': False}) with MLMTransformer model: BertForMaskedLM 
  (1): SpladePooling({'pooling_strategy': 'max', 'activation_function': 'relu', 'word_embedding_dimension': 30522})
)

Usage

Direct Usage (Sentence Transformers)

First install the Sentence Transformers library:

pip install -U sentence-transformers

Then you can load this model and run inference.

from sentence_transformers import SparseEncoder

# Download from the 🤗 Hub
model = SparseEncoder("naver/splade_v2_distil")
# Run inference
queries = ["what causes aging fast"]
documents = [
    "UV-A light, specifically, is what mainly causes tanning, skin aging, and cataracts, UV-B causes sunburn, skin aging and skin cancer, and UV-C is the strongest, and therefore most effective at killing microorganisms. Again â\x80\x93 single words and multiple bullets.",
    "Answers from Ronald Petersen, M.D. Yes, Alzheimer's disease usually worsens slowly. But its speed of progression varies, depending on a person's genetic makeup, environmental factors, age at diagnosis and other medical conditions. Still, anyone diagnosed with Alzheimer's whose symptoms seem to be progressing quickly â\x80\x94 or who experiences a sudden decline â\x80\x94 should see his or her doctor.",
    "Bell's palsy and Extreme tiredness and Extreme fatigue (2 causes) Bell's palsy and Extreme tiredness and Hepatitis (2 causes) Bell's palsy and Extreme tiredness and Liver pain (2 causes) Bell's palsy and Extreme tiredness and Lymph node swelling in children (2 causes)",
]
query_embeddings = model.encode_query(queries)
document_embeddings = model.encode_document(documents)
print(query_embeddings.shape, document_embeddings.shape)
# [1, 30522] [3, 30522]

# Get the similarity scores for the embeddings
similarities = model.similarity(query_embeddings, document_embeddings)
print(similarities)
# tensor([[15.0450, 13.3137,  5.3127]])

Citation

If you use our checkpoint, please cite our work:

@article{formal2021splade,
  title={SPLADE v2: Sparse lexical and expansion model for information retrieval},
  author={Formal, Thibault and Lassance, Carlos and Piwowarski, Benjamin and Clinchant, St{\'e}phane},
  journal={arXiv preprint arXiv:2109.10086},
  year={2021}
}

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
DistilBertForMaskedLM
Ревизия весов
b5e5ebf

0 моделей