Многоязычная модель эмбеддингов для семантического поиска, извлечения документов и сравнения текстов в банковской тематике.
Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды
Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.
Вместе с другими моделями категории «Эмбеддинги» — сравнение идёт внутри одной категории.
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.
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.
Описание составлено по карточке модели и метаданным Hugging Face
trungnv1983/bge_m3_multiplenegativesrankingloss — модель для создания текстовых эмбеддингов, дообученная на базе BAAI/bge-m3 для банковской тематики. Она предназначена для семантического поиска и извлечения релевантных текстов, а также сравнения сходства предложений. Архитектура — XLM-RoBERTa; размер — 658,7 млн параметров, контекст — до 8194 токенов. Модель поддерживает многоязычные тексты и использует библиотеку Sentence Transformers.
Применяйте её для поиска ответов и документов по банковским запросам, например для подбора условий кредитной карты по вопросу пользователя. Модель возвращает эмбеддинги, которые можно использовать для ранжирования или поиска по сходству. Лицензия — Apache 2.0.
Специализация на банковской тематике может снижать качество на текстах из других областей. Для поиска требуется внешняя система хранения и сопоставления эмбеддингов.
Разделы каталога профессий, в задачах которых используется эта модель
README от автора на Hugging Face, как он его опубликовал
Fine-tuned from BAAI/bge-m3 cho domain ngân hàng (banking). Dùng cho: semantic search / retrieval / similarity.
from sentence_transformers import SentenceTransformer
model = SentenceTransformer("trungnv1983/bge_m3_multiplenegativesrankingloss")
emb = model.encode(
["Điều kiện mở thẻ tín dụng là gì?"],
normalize_embeddings=True,
convert_to_tensor=True
)
На своей GPU в ailist. Цена — по текущим предложениям провайдеров
GPU в ailist
Универсальный рантайм · sentence-transformers
Подбираем GPU…