/ Модель

Характеристики

Контекст
514 токенов
Параметры
305 млн
Лицензия
Apache 2.0
Архитектура
xlm-roberta · dense
Базовая модель
paraphrase-multilingual-mpnet-base-v2
Библиотека
sentence-transformers
Опубликована
13 авг 2026

use-combined-no-pt

ЭмбеддингиТекст → embedding9 профессий

Модель Sentence Transformers для получения эмбеддингов и сравнения смысла украинских предложений, дообученная на базе paraphrase-multilingual-mpnet-base-v2.

120скачиваний за 30 дней0лайковвеса обновлены30 авг 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

victormuryn/use-combined-no-pt — модель Sentence Transformers, дообученная на базе paraphrase-multilingual-mpnet-base-v2 для создания эмбеддингов украинских предложений. Она использует архитектуру XLM-RoBERTa с плотным представлением, содержит 305,2 млн параметров и принимает текстовые последовательности длиной до 514 токенов.

Модель обучена на корпусе украинских текстов UberText 2.0 с контрастивной целью и комбинированными стратегиями аугментации без pool targets. Она предназначена для сравнения смысла предложений и абзацев, семантического поиска и кластеризации; полученные векторы можно использовать в приложениях на Sentence Transformers. Поддерживает многоязычные входные данные, при этом обучение ориентировано на украинский язык.

Модель распространяется по лицензии Apache-2.0. Показатели качества и ограничения по областям применения в карточке не приведены; качество на языках, отличных от украинского, отдельно не охарактеризовано.

Сценарии применения

  • семантический поиск по украинским текстам
  • сравнение сходства украинских предложений
  • кластеризация украинских текстов по смыслу
  • поиск перефразированных предложений
  • создание векторного индекса украинских документов

Ограничения

Обучение и целевое применение ориентированы на украинский язык; качество для других поддерживаемых языков отдельно не описано. В карточке не приведены численные оценки качества.

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

use-combined-no-pt

This model is a fine-tuned version of paraphrase-multilingual-mpnet-base-v2, trained on the Ukrainian text corpus UberText 2.0 with combined augmentation strategies without pool targets. It is part of the Ukrainian Sentence Embeddings collection, which explores the effect of different training strategies on sentence embedding quality for Ukrainian.

Model Description

The model was fine-tuned using a contrastive objective on UberText 2.0, combined augmentation strategies.

Collection Overview

ModelDescription
use-natural-no-ptRaw UberText 2.0, no augmentation, no pool targets
use-natural-ptRaw UberText 2.0, no augmentation, pool targets
use-generated-no-ptGenerated augmentation, no pool targets
use-generated-ptGenerated augmentation, pool targets
use-translation-no-ptBack-translation augmentation, no pool targets
use-translation-ptBack-translation augmentation, pool targets
use-mask-no-ptMasking augmentation, no pool targets
use-mask-ptMasking augmentation, pool targets
use-dropout-no-ptDropout augmentation, no pool targets
use-dropout-ptDropout augmentation, pool targets
use-token-shuffle-no-ptToken-shuffling augmentation, no pool targets
use-token-shuffle-ptToken-shuffling augmentation, pool targets
use-combined-no-ptCombined augmentation strategies, no pool targets
use-combined-ptCombined augmentation strategies, pool targets
use-stochastic-no-ptMarkov-based stochastic augmentation, no pool targets
use-stochastic-ptMarkov-based stochastic augmentation, pool targets

Usage

from sentence_transformers import SentenceTransformer
model = SentenceTransformer("victormuryn/use-combined-no-pt")
sentences = [
    "Проводжає сина мати захищати рідний край",
    "Хоч би малесеньку хатину він мріяв мати над Дніпром",
]
embeddings = model.encode(sentences)
print(embeddings.shape)

Training Details

  • Base model: paraphrase-multilingual-mpnet-base-v2
  • Training corpus: UberText 2.0
  • Augmentation: Combined strategies
  • Pool targets: No

Citation

To be added

License

Apache 2.0

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
XLMRobertaModel
Ревизия весов
da5e556

0 моделей