/ 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
30 авг 2026

use-mask-no-pt

ЭмбеддингиТекст → embedding

Модель Sentence Transformers для получения эмбеддингов украинских предложений и сравнения их семантической близости.

38скачиваний 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

use-mask-no-pt — модель Sentence Transformers, дообученная автором на базе sentence-transformers/paraphrase-multilingual-mpnet-base-v2 для получения эмбеддингов украинских предложений. Она использует архитектуру XLM-RoBERTa с плотным представлением и обучалась с контрастивной целью на корпусе UberText 2.0 с аугментацией маскированием, без pool targets. Модель принимает текст и преобразует его в векторы; её можно использовать для сравнения семантической близости предложений, поиска и кластеризации. Контекст составляет до 514 токенов, размер — 305,2 млн параметров. Лицензия Apache-2.0.

Карточка позиционирует модель как часть экспериментальной коллекции украинских эмбеддингов, исследующей влияние стратегий обучения на качество представлений украинского языка. В README приведён пример кодирования предложений через SentenceTransformer. Базовая модель многоязычная, однако это дообучение ориентировано на украинские тексты; карточка не приводит оценок качества или сравнительных результатов.

Сценарии применения

  • поиск похожих украинских предложений
  • семантический поиск по украинским текстам
  • сравнение смысловой близости фраз на украинском языке
  • кластеризация украинских предложений по смыслу
  • получение векторных представлений украинских текстов

Ограничения

Дообучение ориентировано на украинский язык, а карточка не сообщает количественных оценок качества. Контекст ограничен 514 токенами.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

use-mask-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 masking augmentation 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, masking augmentation.

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-mask-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: Masking
  • 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
35c4dfe

0 моделей