/ Модель

Характеристики

Контекст
514 токенов
Параметры
137 млн
Архитектура
mpnet · dense
Базовая модель
all-mpnet-base-v2
Библиотека
sentence-transformers
Опубликована
4 мар 2026

narrativesAnalogues-MPNet

ЭмбеддингиТекст → embedding

Дообученная MPNet-модель преобразует предложения и короткие тексты в векторы для семантического сравнения и поиска сходных формулировок.

101скачиваний за 30 дней0лайковвеса обновлены4 мар 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.

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

sidbrahim/narrativesAnalogues-MPNet — дообученная модель Sentence Transformers на базе sentence-transformers/all-mpnet-base-v2, созданная с помощью AutoTrain. Она кодирует текст в плотные векторы для сравнения сходства предложений и коротких текстов; подходит для семантического поиска, сопоставления формулировок и кластеризации. Модель содержит 136,7 млн параметров, использует архитектуру MPNet и принимает текст с контекстом до 514 токенов.

В README приведены метрики проверки: корреляция Пирсона для косинусного сходства 0,852 и корреляция Спирмена 0,720. Лицензия в предоставленных данных не указана.

Сценарии применения

  • семантический поиск по коллекции текстов
  • поиск похожих предложений и формулировок
  • сопоставление пользовательского запроса с описаниями
  • кластеризация коротких текстов по смыслу

Ограничения

README приводит метрики проверки, но не описывает набор данных и условия оценки, поэтому значения не позволяют судить о качестве на других типах текстов. Контекст ограничен 514 токенами.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model Trained Using AutoTrain

  • Problem type: Sentence Transformers

Validation Metrics

loss: 1.084230661392212

validation_pearson_cosine: 0.8520244193617519

validation_spearman_cosine: 0.7196384923568855

runtime: 144.6206

samples_per_second: 1.328

steps_per_second: 0.083

: 3.0

Usage

Direct Usage (Sentence Transformers)

First install the Sentence Transformers library:

pip install -U sentence-transformers

Then you can load this model and run inference.

from sentence_transformers import SentenceTransformer

# Download from the Hugging Face Hub
model = SentenceTransformer("sentence_transformers_model_id")
# Run inference
sentences = [
    'search_query: autotrain',
    'search_query: auto train',
    'search_query: i love autotrain',
]
embeddings = model.encode(sentences)
print(embeddings.shape)

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)

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
MPNetModel
Ревизия весов
4481ba7

0 моделей