/ Модель

Характеристики

Контекст
514 токенов
Параметры
137 млн
Архитектура
mpnet · dense
Библиотека
sentence-transformers
Опубликована
2 мар 2022

multi-qa-mpnet-base-dot-v1

ЭмбеддингиТекст → embedding9 профессий

Модель преобразует английские вопросы и текстовые фрагменты в эмбеддинги для семантического поиска релевантных документов и ответов.

1,4 млнскачиваний за 30 дней199лайковвеса обновлены19 авг 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 оценки27

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

  • PubChemAISentenceParaphrasePC

    main_score

    Результат

    0,9748

    MTEB

    Публичная таблицадругая ревизия

  • WikipediaBioMetChemClassification

    main_score

    Результат

    0,9829

    MTEB

    Публичная таблицадругая ревизия

  • WikipediaChemistryTopicsClassification

    main_score

    Результат

    0,8328

    MTEB

    Публичная таблицадругая ревизия

  • PubChemSMILESPC

    main_score

    Результат

    0,1003

    MTEB

    Публичная таблицадругая ревизия

  • WikipediaGreenhouseEnantiopureClassification

    main_score

    Результат

    0,9697

    MTEB

    Публичная таблицадругая ревизия

  • WikipediaIsotopesFissionClassification

    main_score

    Результат

    0,8881

    MTEB

    Публичная таблицадругая ревизия

  • WikipediaChemFieldsClassification

    main_score

    Результат

    0,4471

    MTEB

    Публичная таблицадругая ревизия

  • PubChemWikiPairClassification

    main_score

    Результат

    0,9545

    Общий результат 0,9781Общий результат 0,9534Общий результат 0,8947
    MTEB

    Публичная таблицадругая ревизия

  • WikipediaLuminescenceClassification

    main_score

    Результат

    0,8976

    MTEB

    Публичная таблицадругая ревизия

  • SDSEyeProtectionClassification

    main_score

    Результат

    0,6999

    MTEB

    Публичная таблицадругая ревизия

  • PubChemWikiParagraphsPC

    main_score

    Результат

    0,1805

    MTEB

    Публичная таблицадругая ревизия

  • PubChemSMILESBitextMining

    main_score

    Результат

    0,0002

    Общий результат 0,001Общий результат 0,0008Общий результат 0,0002
    MTEB

    Публичная таблицадругая ревизия

  • WikipediaOrganicInorganicClassification

    main_score

    Результат

    0,8407

    MTEB

    Публичная таблицадругая ревизия

  • WikipediaBiolumNeurochemClassification

    main_score

    Результат

    0,951

    MTEB

    Публичная таблицадругая ревизия

  • WikipediaCompChemSpectroscopyClassification

    main_score

    Результат

    0,7493

    MTEB

    Публичная таблицадругая ревизия

  • ChemNQRetrieval

    main_score

    Результат

    0,5281

    MTEB

    Публичная таблицадругая ревизия

  • SDSGlovesClassification

    main_score

    Результат

    0,5952

    MTEB

    Публичная таблицадругая ревизия

  • PubChemSynonymPC

    main_score

    Результат

    0,6027

    MTEB

    Публичная таблицадругая ревизия

  • WikipediaTheoreticalAppliedClassification

    main_score

    Результат

    0,5981

    MTEB

    Публичная таблицадругая ревизия

  • WikipediaSpecialtiesInChemistryClustering

    main_score

    Результат

    0,1765

    MTEB

    Публичная таблицадругая ревизия

  • WikipediaChemistryTopicsClustering

    main_score

    Результат

    0,6661

    MTEB

    Публичная таблицадругая ревизия

  • ChemHotpotQARetrieval

    main_score

    Результат

    0,5987

    Общий результат 0,7664Общий результат 0,7245
    MTEB

    Публичная таблицадругая ревизия

  • WikipediaChemEngSpecialtiesClassification

    main_score

    Результат

    0,4468

    MTEB

    Публичная таблицадругая ревизия

  • WikipediaSolidStateColloidalClassification

    main_score

    Результат

    0,7642

    MTEB

    Публичная таблицадругая ревизия

  • WikipediaCrystallographyAnalyticalClassification

    main_score

    Результат

    0,9137

    MTEB

    Публичная таблицадругая ревизия

  • WikipediaCryobiologySeparationClassification

    main_score

    Результат

    0,9202

    MTEB

    Публичная таблицадругая ревизия

  • WikipediaSaltsSemiconductorsClassification

    main_score

    Результат

    0,8596

    MTEB

    Публичная таблицадругая ревизия

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

multi-qa-mpnet-base-dot-v1 — модель для создания текстовых эмбеддингов, разработанная командой Sentence Transformers в рамках проекта Hugging Face Community Week. Она кодирует вопросы, предложения и абзацы в плотные векторы размерностью 768 для семантического поиска: по запросу можно находить релевантные фрагменты текста. Модель основана на MPNet-base и дообучена на примерно 215 млн пар «вопрос — ответ» из разных источников с контрастивной целью обучения. Для сравнения векторов используется скалярное произведение; эмбеддинги не нормализуются.

Модель рассчитана прежде всего на поиск ответов и документов по вопросам и текстовым запросам. Она поддерживает английский язык, построена на MPNet и доступна в форматах PyTorch, Safetensors, ONNX и OpenVINO. Максимальная длина входа составляет 512 токенов, однако обучение проводилось на текстах длиной до 250 токенов, поэтому качество на более длинных фрагментах может снижаться. Условия лицензии в предоставленных данных не описаны.

Сценарии применения

  • поиск ответов на вопросы в коллекции документов
  • семантический поиск по абзацам и текстовым фрагментам
  • поиск похожих вопросов и ответов
  • подбор релевантных материалов по текстовому запросу

Ограничения

Рассчитанный контекст — до 512 токенов, но модель обучалась на текстах длиной до 250 токенов, поэтому качество на более длинном вводе может снижаться. Эмбеддинги не нормализуются; при сравнении следует учитывать использование скалярного произведения.

Для каких профессий подходит9

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

multi-qa-mpnet-base-dot-v1

This is a sentence-transformers model: It maps sentences & paragraphs to a 768 dimensional dense vector space and was designed for semantic search. It has been trained on 215M (question, answer) pairs from diverse sources. For an introduction to semantic search, have a look at: SBERT.net - Semantic Search

Usage (Sentence-Transformers)

Using this model becomes easy when you have sentence-transformers installed:

pip install -U sentence-transformers

Then you can use the model like this:

from sentence_transformers import SentenceTransformer, util

query = "How many people live in London?"
docs = ["Around 9 Million people live in London", "London is known for its financial district"]

# Load the model
model = SentenceTransformer('sentence-transformers/multi-qa-mpnet-base-dot-v1')

# Encode query and documents
query_emb = model.encode(query)
doc_emb = model.encode(docs)

# Compute dot score between query and all document embeddings
scores = util.dot_score(query_emb, doc_emb)[0].cpu().tolist()

# Combine docs & scores
doc_score_pairs = list(zip(docs, scores))

# Sort by decreasing score
doc_score_pairs = sorted(doc_score_pairs, key=lambda x: x[1], reverse=True)

# Output passages & scores
for doc, score in doc_score_pairs:
    print(score, doc)

Usage (HuggingFace Transformers)

Without sentence-transformers, you can use the model like this: First, you pass your input through the transformer model, then you have to apply the correct pooling-operation on-top of the contextualized word embeddings.

from transformers import AutoTokenizer, AutoModel
import torch

# CLS Pooling - Take output from first token
def cls_pooling(model_output):
    return model_output.last_hidden_state[:,0]

# Encode text
def encode(texts):
    # Tokenize sentences
    encoded_input = tokenizer(texts, padding=True, truncation=True, return_tensors='pt')

    # Compute token embeddings
    with torch.no_grad():
        model_output = model(**encoded_input, return_dict=True)

    # Perform pooling
    embeddings = cls_pooling(model_output)

    return embeddings


# Sentences we want sentence embeddings for
query = "How many people live in London?"
docs = ["Around 9 Million people live in London", "London is known for its financial district"]

# Load model from HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained("sentence-transformers/multi-qa-mpnet-base-dot-v1")
model = AutoModel.from_pretrained("sentence-transformers/multi-qa-mpnet-base-dot-v1")

# Encode query and docs
query_emb = encode(query)
doc_emb = encode(docs)

# Compute dot score between query and all document embeddings
scores = torch.mm(query_emb, doc_emb.transpose(0, 1))[0].cpu().tolist()

# Combine docs & scores
doc_score_pairs = list(zip(docs, scores))

# Sort by decreasing score
doc_score_pairs = sorted(doc_score_pairs, key=lambda x: x[1], reverse=True)

# Output passages & scores
for doc, score in doc_score_pairs:
    print(score, doc)

Usage (Text Embeddings Inference (TEI))

Text Embeddings Inference (TEI) is a blazing fast inference solution for text embedding models.

  • CPU:
docker run -p 8080:80 -v hf_cache:/data --pull always ghcr.io/huggingface/text-embeddings-inference:cpu-latest \
  --model-id sentence-transformers/multi-qa-mpnet-base-dot-v1 \
  --pooling cls \
  --dtype float16
  • NVIDIA GPU:
docker run --gpus all -p 8080:80 -v hf_cache:/data --pull always ghcr.io/huggingface/text-embeddings-inference:cuda-latest \
  --model-id sentence-transformers/multi-qa-mpnet-base-dot-v1 \
  --pooling cls \
  --dtype float16

Send a request to /v1/embeddings to generate embeddings via the OpenAI Embeddings API:

curl http://localhost:8080/v1/embeddings \
  -H "Content-Type: application/json" \
  -d '{
    "model": "sentence-transformers/multi-qa-mpnet-base-dot-v1",
    "input": "How many people live in London?"
  }'

Or check the Text Embeddings Inference API specification instead.


Technical Details

In the following some technical details how this model must be used:

SettingValue
Dimensions768
Produces normalized embeddingsNo
Pooling-MethodCLS pooling
Suitable score functionsdot-product (e.g. util.dot_score)

Background

The project aims to train sentence embedding models on very large sentence level datasets using a self-supervised contrastive learning objective. We use a contrastive learning objective: given a sentence from the pair, the model should predict which out of a set of randomly sampled other sentences, was actually paired with it in our dataset.

We developed this model during the Community week using JAX/Flax for NLP & CV, organized by Hugging Face. We developed this model as part of the project: Train the Best Sentence Embedding Model Ever with 1B Training Pairs. We benefited from efficient hardware infrastructure to run the project: 7 TPUs v3-8, as well as intervention from Google's Flax, JAX, and Cloud team members about efficient deep learning frameworks.

Intended uses

Our model is intended to be used for semantic search: It encodes queries / questions and text paragraphs in a dense vector space. It finds relevant documents for the given passages.

Note that there is a limit of 512 word pieces: Text longer than that will be truncated. Further note that the model was just trained on input text up to 250 word pieces. It might not work well for longer text.

Training procedure

The full training script is accessible in this current repository: train_script.py.

Pre-training

We use the pretrained mpnet-base model. Please refer to the model card for more detailed information about the pre-training procedure.

Training

We use the concatenation from multiple datasets to fine-tune our model. In total we have about 215M (question, answer) pairs. We sampled each dataset given a weighted probability which configuration is detailed in the data_config.json file.

The model was trained with MultipleNegativesRankingLoss using CLS-pooling, dot-product as similarity function, and a scale of 1.

DatasetNumber of training tuples
WikiAnswers Duplicate question pairs from WikiAnswers77,427,422
PAQ Automatically generated (Question, Paragraph) pairs for each paragraph in Wikipedia64,371,441
Stack Exchange (Title, Body) pairs from all StackExchanges25,316,456
Stack Exchange (Title, Answer) pairs from all StackExchanges21,396,559
MS MARCO Triplets (query, answer, hard_negative) for 500k queries from Bing search engine17,579,773
GOOAQ: Open Question Answering with Diverse Answer Types (query, answer) pairs for 3M Google queries and Google featured snippet3,012,496
Amazon-QA (Question, Answer) pairs from Amazon product pages2,448,839
Yahoo Answers (Title, Answer) pairs from Yahoo Answers1,198,260
Yahoo Answers (Question, Answer) pairs from Yahoo Answers681,164
Yahoo Answers (Title, Question) pairs from Yahoo Answers659,896
SearchQA (Question, Answer) pairs for 140k questions, each with Top5 Google snippets on that question582,261
ELI5 (Question, Answer) pairs from Reddit ELI5 (explainlikeimfive)325,475
Stack Exchange Duplicate questions pairs (titles)304,525
Quora Question Triplets (Question, Duplicate_Question, Hard_Negative) triplets for Quora Questions Pairs dataset103,663
Natural Questions (NQ) (Question, Paragraph) pairs for 100k real Google queries with relevant Wikipedia paragraph100,231
SQuAD2.0 (Question, Paragraph) pairs from SQuAD2.0 dataset87,599
TriviaQA (Question, Evidence) pairs73,346
Total214,988,242

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
MPNetForMaskedLM
Ревизия весов
17997f2

0 моделей