/ Модель

Характеристики

Контекст
512 токенов
Параметры
124 млн
Лицензия
Apache 2.0
Архитектура
bert · dense
Базовая модель
multilingual-e5-small
Библиотека
transformers
Опубликована
26 сен 2026

jul-decision-e5-small

Классификация без дообученияТекст → label11 профессий

Компактная дообученная модель на базе multilingual-e5-small для классификации текста по вариантам, ответов «да/нет» и выставления оценок.

92скачиваний за 30 дней0лайковвеса обновлены27 сен 2026

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

jul-decision-e5-small — дообученная командой jul компактная модель на базе multilingual-e5-small для типизированных решений по тексту: выбора категории (Choice), ответа «да/нет» (Noul) и выставления оценки (Score). В репозитории есть два варианта весов: векторная модель кодирует текст и варианты ответа отдельно для сравнения, а cross-модель обрабатывает вопрос и текст совместно. Архитектура — BERT, 124,3 млн параметров, контекст до 512 токенов; модель рассчитана на английский и французский языки. Для классификации Choice входы векторного варианта используют префикс `query: `; модель можно запускать в облегчённой сборке ONNX с 8-битной квантизацией, опубликованной отдельно.

Модель подходит для классификации текстов по заданным вариантам, бинарных решений и оценивания без размеченных примеров, а также для тонкой настройки на конкретную задачу при наличии меток. В README приведены результаты на классификации, определении тональности и оскорбительного содержания, перефразировании и выводе. Указаны слабые места: оценка срочности, распознавание вежливых, но серьёзных жалоб, различение предложений с одинаковыми словами в разном порядке и ответы на вопросы, требующие знаний. Лицензия — Apache-2.0.

Сценарии применения

  • классификация текста по заданному списку категорий
  • ответы «да» или «нет» на вопросы о тексте
  • оценивание текста по заданной шкале
  • модерация сообщений и выявление оскорблений
  • маршрутизация запросов по типу задачи
  • сопоставление перефразировок и определение логического вывода

Ограничения

Модель слабо справляется с оценкой срочности, вежливыми, но серьёзными жалобами, предложениями с одинаковыми словами в другом порядке и вопросами, требующими знаний. Для узкой задачи при наличии небольшого числа меток рекомендуется настройка; результаты zero-shot служат отправной точкой.

Для каких профессий подходит11

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

jul-decision-e5-small

multilingual-e5-small trained to answer jul decisions: Choice, yes/no (Noul) and Score. Small enough to run inside an AWS Lambda function. ONNX 8-bit build: usejul/jul-decision-e5-small-onnx.

jul models add jul-decision-e5-small --repo usejul/jul-decision-e5-small-onnx --backend onnx

Two sets of weights, same size (e5-small):

  • the root: vectors. Text and options are encoded apart and compared; reads Choice, and every question tuned with autotune. Inputs are prefixed with query: .
  • cross/: a cross model. The question and the text are read together; reads Noul and Score with no labeled examples. jul models add attaches it by itself; jul pack ships only the part a deployment needs.

Results

Jev bench (AG News, Banking77, Emotion; Choice only, so the vectors), ONNX 8-bit, 4 ms per text:

e5-smalljul-decision-e5-small
zero-shot0.5430.557
autotune, hybrid head (1,000 labels)0.7900.780

Kev's typed decisions (transfer-v9 development split, clean questions, never trained on), through jul:

yes/noChoiceScoreall
vectors only0.5790.4010.2750.460
with the cross model0.7260.4010.5000.524

The cross model: paraphrase 0.50 → 0.79, inference (QNLI) 0.55 → 0.70, offensive posts 0.725 → 0.80; "is the customer angry?" 0.84–0.99 on angry support messages, 0.00–0.02 on calm ones.

Not good at: urgency, hard but polite complaints (read as offensive), sentences with the same words in another order, knowledge questions. With few labels per task, tune: zero-shot is a starting point.

Training

jul's own score as the loss (vectors), and a cross-entropy over pairs with one head per question type (cross model), on public English and French datasets under commercial-use licenses: classification, tool routing, moderation, paraphrase, inference, compositions, dates and tone. Embeddings frozen for the vectors. One GPU.

Versions

v2.0 (this one): stage-2 vectors and the cross model. v1.0: the first vectors, without cross/ (revision="v1.0").

License

Apache-2.0. Based on multilingual-e5-small (MIT).

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · zero-shot-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
BertModel
Ревизия весов
1aa9493

0 моделей