Характеристики

Контекст: 8 192 токена
Параметры: 160 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Базовая модель: jina-embeddings-v2-base-es
Опубликована: 11 дек 2024

Ссылки

jina-embeddings-v2-base-es-GGUF

Заполнение пропусковТекст → текст9 профессий

jina-embeddings-v2-base-es-GGUF — это модель для создания векторных представлений текста (эмбеддингов), разработанная Jina AI на основе jinaai/jina-embeddings-v2-base-es и преобразованная в формат GGUF компанией Second State Inc.

1 987скачиваний за 30 дней0лайковвеса обновлены11 дек 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

Она предназначена для семантического поиска, сопоставления текстов, кластеризации, классификации и других задач, где требуется сравнивать смысловое сходство документов или запросов.

Модель поддерживает испанский и английский языки, использует контекст размером до 8192 токенов и формирует эмбеддинги размерности 768. В README не указаны точные архитектурные характеристики базовой модели или поддержка дополнительных модальностей, поэтому модель следует рассматривать как текстовую. Доступны варианты квантования Q2_K–Q8_0, а также f16, с размером файлов примерно от 82,7 МБ до 323 МБ.

Основное преимущество GGUF-вариантов — возможность выбрать баланс между размером, скоростью и качеством: Q4_K_M, Q5_K_M и Q5_K_S обозначены как рекомендуемые, тогда как низкобитные варианты дают заметные потери качества. Более высокие разрядности лучше сохраняют качество, но требуют больше памяти; некоторые варианты отмечены как нежелательные из-за невыгодного соотношения характеристик. Модель распространяется по лицензии Apache 2.0.

Для каких профессий подходит9

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей I.1Универсальные способностиПоиск и навигация по информацииAI помогает находить нужные сведения и помогать человеку быстро переходить от вопроса к подтверждённому источнику.18 задач13 467моделей I.12Универсальные способностиРекомендации и персонализацияAI помогает подбирать релевантные варианты и адаптировать опыт под конкретного человека или ситуацию.15 задач7 627моделей II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

jina-embeddings-v2-base-es-GGUF

Original Model

jinaai/jina-embeddings-v2-base-es

Run with LlamaEdge

LlamaEdge version: v0.14.17
Prompt template
- Prompt type: embedding
Context size: 8192
Embedding dim: 768

Run as LlamaEdge service

wasmedge --dir .:. --nn-preload default:GGML:AUTO:jina-embeddings-v2-base-es-f16.gguf \
  llama-api-server.wasm \
  --prompt-template embedding \
  --ctx-size 8192 \
  --model-name jina-embeddings-v2-base-es

Quantized GGUF Models

Name	Quant method	Bits	Size	Use case
jina-embeddings-v2-base-es-Q2_K.gguf	Q2_K	2	82.7 MB	smallest, significant quality loss - not recommended for most purposes
jina-embeddings-v2-base-es-Q3_K_L.gguf	Q3_K_L	3	101 MB	small, substantial quality loss
jina-embeddings-v2-base-es-Q3_K_M.gguf	Q3_K_M	3	95.6 MB	very small, high quality loss
jina-embeddings-v2-base-es-Q3_K_S.gguf	Q3_K_S	3	89.9 MB	very small, high quality loss
jina-embeddings-v2-base-es-Q4_0.gguf	Q4_0	4	105 MB	legacy; small, very high quality loss - prefer using Q3_K_M
jina-embeddings-v2-base-es-Q4_K_M.gguf	Q4_K_M	4	109 MB	medium, balanced quality - recommended
jina-embeddings-v2-base-es-Q4_K_S.gguf	Q4_K_S	4	105 MB	small, greater quality loss
jina-embeddings-v2-base-es-Q5_0.gguf	Q5_0	5	119 MB	legacy; medium, balanced quality - prefer using Q4_K_M
jina-embeddings-v2-base-es-Q5_K_M.gguf	Q5_K_M	5	121 MB	large, very low quality loss - recommended
jina-embeddings-v2-base-es-Q5_K_S.gguf	Q5_K_S	5	119 MB	large, low quality loss - recommended
jina-embeddings-v2-base-es-Q6_K.gguf	Q6_K	6	134 MB	very large, extremely low quality loss
jina-embeddings-v2-base-es-Q8_0.gguf	Q8_0	8	173 MB	very large, extremely low quality loss - not recommended
jina-embeddings-v2-base-es-f16.gguf	f16	16	323 MB	very large, extremely low quality loss - not recommended

Quantized with llama.cpp b4273

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

GGUF-веса поддерживаются только для текстовых LLM (llama.cpp).

Класс архитектуры: JinaBertForMaskedLM
Ревизия весов: 3ca1dfa