Компактная англоязычная ONNX-модель BAAI для создания 384-мерных текстовых эмбеддингов и семантического поиска.
6 465скачиваний за 30 дней0лайковвеса обновлены28 авг 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
bge-small-en-v1.5 INT8 ONNX — компактная англоязычная модель для получения векторных представлений текста. Артефакт подготовлен для поиска в ZimaOS Photos на основе модели BAAI/bge-small-en-v1.5; распространяется в формате ONNX с динамической INT8-квантизацией QInt8 и рассчитан на выполнение через ONNX Runtime.
Модель преобразует текст в эмбеддинги размерностью 384 и поддерживает последовательности длиной до 512 токенов. Она предназначена для семантического поиска и сопоставления поисковых запросов с текстовыми описаниями или индексированными фрагментами; для запросов требуется добавлять инструкцию «Represent this sentence for searching relevant passages:», а для индексируемых текстов её добавлять не следует. После получения вывода необходимо применять mean pooling с учётом attention mask и L2-нормализацию.
К преимуществам относятся небольшой размер около 40 млн параметров, экономичное INT8-выполнение и совместимость с ONNX Runtime. Модель поддерживает английский язык и не является мультимодальной моделью, поэтому сама по себе не обрабатывает изображения. Лицензия — MIT.
Сценарии применения
семантический поиск по англоязычным описаниям фотографий
сопоставление поисковых запросов с индексированными текстовыми фрагментами
построение локального поискового индекса на CPU
поиск похожих текстовых запросов и документов
векторизация подписей и метаданных изображений
Ограничения
Модель поддерживает только английский язык и последовательности длиной до 512 токенов. Для корректного поиска требуется специальная инструкция для запросов, а также mean pooling с учётом attention mask и L2-нормализация.
Для каких профессий подходит7
Разделы каталога профессий, в задачах которых используется эта модель
Represent this sentence for searching relevant passages:
Do not prepend the instruction to indexed passage text. Consumers must apply
attention-mask mean pooling followed by L2 normalization to the ONNX output.
Exact artifact hashes are recorded in SHA256SUMS; build provenance is recorded
in PROVENANCE.json.
Как запустить
На своей GPU в ailist. Цена — по текущим предложениям провайдеров