/ Модель

Характеристики

Контекст
512 токенов
Параметры
40 млн
Лицензия
MIT
Архитектура
bert · dense
Базовая модель
bge-small-en-v1.5
Библиотека
transformers
Опубликована
20 июл 2026

bge-small-structural-separator

ЭмбеддингиТекст → embedding3 профессии

Дообученная англоязычная BERT-модель для создания эмбеддингов и плотного поиска документов с разделителями структуры текста.

33скачиваний за 30 дней2лайкавеса обновлены20 июл 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

BGE Small Structural Separator — компактная текстовая модель на архитектуре BERT, разработанная для структурно-разделённого поиска научных документов. Она дообучена на основе BAAI/bge-small-en-v1.5: изменена только строка входных эмбеддингов токена [unused2], остальные параметры сохранены. Модель содержит 40 млн параметров и рассчитана на контекст до 512 токенов.

При подготовке документа токен [unused2] добавляют перед непустым заголовком и каждым предложением, разделённым пунктуацией. Документ кодируется в нормализованный CLS-вектор, а запрос — обычным способом; поиск выполняется по косинусному сходству эмбеддингов. Модель предназначена для плотного поиска, в частности по научным текстам. В заявленном авторами тесте BEIR8 прирост macro NDCG@10 составил 0,012705 относительно исходной BGE-модели, однако расширенная оценка MTEB не подтвердила широкого переноса улучшения.

Для использования доступны Transformers и AutoModel/AutoTokenizer. Лицензия — MIT. Ограничения: контекст ограничен 512 токенами; результаты улучшения ограничены структурно подходящими задачами BEIR8, а на шести задачах расширения MTEB macro NDCG@10 снизился на 0,011038.

Сценарии применения

  • семантический поиск по научным статьям
  • поиск документов по короткому текстовому запросу
  • сопоставление запросов и научных аннотаций по эмбеддингам

Ограничения

Контекст ограничен 512 токенами. Улучшение показано для BEIR8, но расширенная оценка MTEB не подтвердила широкого переноса и выявила снижение macro NDCG@10 на шести задачах.

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

BGE Small Structural Separator

This is the complete Transformers checkpoint for the H216 Shared Structural Separator Field Encoder. It is compatible with AutoModel and AutoTokenizer.

H216 starts from the immutable BAAI/bge-small-en-v1.5@5c38ec7c405ec4b44b94cc5a9bb96e735b38267a checkpoint and learns exactly one 384-value input-embedding row: token [unused2], vocabulary ID 3. All other model parameters are unchanged.

Document formatting inserts [unused2] before a nonempty title and before each punctuation-delimited sentence. The document is encoded once and its normalized CLS vector is stored. Queries use ordinary tokenizer formatting with no instruction. Retrieval is exact cosine over one query vector and one document vector; there is no fusion, routing, reranking, expansion, or protected candidate frontier.

from transformers import AutoModel, AutoTokenizer

model_id = "thu-nmrc/bge-small-structural-separator"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModel.from_pretrained(model_id)

The repository includes separator_row.pt, the deterministic training manifest, and export_manifest.json with SHA-256 hashes for the complete checkpoint. Training used 4,096 S2ORC citation-context/abstract pairs and no BEIR labels, validation selection, benchmark negative mining, or post-training tuning.

The bounded research claim is a learned document-side structural separator adaptation within the dense bi-encoder family. It is not claimed as a replacement for all dense retrievers. Full evaluation details, training code, overlap audits, and disclosed regressions are maintained at https://github.com/thu-nmrc/bge-small-structural-separator.

The frozen BEIR8 gate improves macro NDCG@10 by +0.012705 over the matched plain BGE control. A later preregistered six-task MTEB(eng, v2) Retrieval extension does not support broad transfer: macro NDCG@10 changes by -0.011038 and H216 wins two of six tasks. Across all ten official Retrieval tasks the macro delta is +0.002855, but claims remain bounded to the BEIR8 structure-native evidence.

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
9a0a8aa

0 моделей