/ Модель

Характеристики

Контекст
512 токенов
Параметры
137 млн
Лицензия
MIT
Архитектура
bert · dense
Опубликована
26 фев 2024

neural-cherche-sparse-embed

Заполнение пропусковТекст → текст3 профессии

Англоязычная BERT-модель для предсказания замаскированных токенов, обученная с помощью Neural-Cherche.

393скачиваний за 30 дней4лайкавеса обновлены26 фев 2024

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

raphaelsty/neural-cherche-sparse-embed — англоязычная модель семейства BERT, обученная с помощью Neural-Cherche. README указывает на обучение и дообучение в Neural-Cherche, а метаданные классифицируют модель как BertForMaskedLM с задачей fill-mask. Модель содержит 136,7 млн параметров, принимает текст с замаскированными токенами и предсказывает варианты для заполнения пропусков в последовательности длиной до 512 токенов.

Модель предназначена для заполнения масок в английском тексте. README также относит её к компонентам Retriever в Neural-Cherche, однако подробности об использовании в поиске и оценке качества не приведены. Модель распространяется в формате safetensors по лицензии MIT.

Сценарии применения

  • заполнение пропущенных слов в английском тексте
  • предсказание замаскированных токенов в последовательности
  • подстановка вариантов слова в контексте

Ограничения

Контекст ограничен 512 токенами. README не приводит результатов оценки качества или подробностей о поисковом применении Retriever.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

This model was trained with Neural-Cherche. You can find details on how to fine-tune it in the Neural-Cherche repository.

pip install neural-cherche

Retriever

from neural_cherche import models, retrieve
import torch

device = "cuda" if torch.cuda.is_available() else "cpu"
batch_size = 32

documents = [
    {"id": 0, "document": "Food"},
    {"id": 1, "document": "Sports"},
    {"id": 2, "document": "Cinema"},
]

queries = ["Food", "Sports", "Cinema"]

model = models.SparseEmbed(
    model_name_or_path="raphaelsty/neural-cherche-sparse-embed",
    device=device,
)

retriever = retrieve.SparseEmbed(
    key="id",
    on=["document"],
    model=model,
)

documents_embeddings = retriever.encode_documents(
    documents=documents,
    batch_size=batch_size,
)

retriever = retriever.add(
    documents_embeddings=documents_embeddings,
)

queries_embeddings = retriever.encode_queries(
    queries=queries,
    batch_size=batch_size,
)

scores = retriever(
    queries_embeddings=queries_embeddings,
    batch_size=batch_size,
    k=100,
)

scores

Как запустить

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

GPU в ailist

Универсальный рантайм · fill-mask

Можно запустить

Подбираем GPU…

Класс архитектуры
BertForMaskedLM
Ревизия весов
6568265

0 моделей