/ Модель
Каталог

Характеристики

Лицензия
CC BY 4.0
Архитектура
bert · dense
Библиотека
transformers
Опубликована
5 авг 2026

Ссылки

Hugging Face

Pulsar-Knowledge-RAG

procedure2012
ЭмбеддингиТекст → embedding5 профессий

BERT-модель для извлечения признаков в RAG-системах поиска знаний и ответов на вопросы с опорой на источники.

6скачиваний за 30 дней0лайковвеса обновлены5 авг 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.

  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.

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

Pulsar-Knowledge-RAG — модель семейства BERT, представленная аккаунтом procedure2012 и предназначенная для поиска знаний с опорой на источники и ответов в сценариях RAG. В метаданных Hugging Face указаны архитектура BertModel, библиотека Transformers, формат PyTorch и задача feature-extraction. README приводит результаты внутренних сравнений по математическому, логическому и commonsense-рассуждению, но не раскрывает размер модели, длину контекста или подробности обучения.

Модель может использоваться как компонент конвейера извлечения признаков для поиска релевантных знаний и формирования ответов, опирающихся на найденные материалы. Репозиторий распространяется по лицензии CC BY 4.0. Оценки из README не сопровождаются описанием методики и не позволяют независимо сравнить качество.

Сценарии применения

  • извлечение признаков для поиска документов в RAG
  • поиск знаний для ответов на вопросы с опорой на источники
  • подбор контекста для системы вопросно-ответного поиска

Ограничения

README не сообщает языки, размер модели и длину контекста. Приведённые сравнительные оценки не сопровождаются описанием методики или независимой проверкой.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии
I.1Универсальные способностиПоиск и навигация по информацииAI помогает находить нужные сведения и помогать человеку быстро переходить от вопроса к подтверждённому источнику.18 задач13 467моделейII.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделейI.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделейI.14Универсальные способностиАвтоматизация процессов и AI-агентыAI помогает выполнять многошаговые цифровые процессы и координировать действия между системами.20 задач26 022модели

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Pulsar-Knowledge-RAG

1. Introduction

Pulsar-Knowledge-RAG is tuned for retrieval-augmented question answering and grounded knowledge retrieval.

2. Evaluation Results

Comprehensive Benchmark Results

BenchmarkRetriever-XLPulsar-liteFactBasePulsar-Knowledge-RAG
Core Reasoning TasksMath Reasoning0.5610.5890.5920.619
Logical Reasoning0.8330.8090.8280.849
Common Sense0.7550.7700.7240.776
Language UnderstandingReading Comprehension0.7250.7040.6990.750
Question Answering0.5830.5910.6000.642
Text Classification0.8140.8300.8060.848
Sentiment Analysis0.7870.8020.7820.814
Generation TasksCode Generation0.6910.6920.6960.717
Creative Writing0.6480.6780.6670.685
Dialogue Generation0.6420.6660.6710.692
Summarization0.7490.7620.7840.799
Specialized CapabilitiesTranslation0.7950.7670.7890.823
Knowledge Retrieval0.7030.6760.6860.711
Instruction Following0.7350.7560.7590.792
Safety Evaluation0.7230.7360.7250.772

Overall Performance Summary

The Pulsar-Knowledge-RAG demonstrates strong performance across all evaluated benchmark categories, with particularly notable results in reasoning and generation tasks.

3. Chat Website & API Platform

We offer a chat interface and API for you to interact with Pulsar-Knowledge-RAG. Please check our official website for more details.

4. How to Run Locally

Please refer to our code repository for more information about running Pulsar-Knowledge-RAG locally.

Temperature

We recommend setting the temperature parameter to 0.6.

5. License

This repository is released under the cc-by-4.0 license. The model supports commercial use.

6. Contact

If you have any questions, please contact us at rag@pulsar.systems.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
BertModel
Ревизия весов
8b4026f

0 моделей

    Создать бенчмарк