/ 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-natural-pt

ЭмбеддингиТекст → embedding

Многоязычная модель эмбеддингов, дообученная на украинских текстах для семантического сравнения, поиска и кластеризации.

21скачиваний 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-natural-pt — модель Sentence Transformers на базе paraphrase-multilingual-mpnet-base-v2, дообученная на украинском корпусе UberText 2.0. Она преобразует предложения и абзацы в векторные представления, предназначенные для семантического сравнения, поиска и кластеризации текстов. Обучение проводилось с контрастивной целью на исходном корпусе без аугментации, с pool targets.

Модель построена на архитектуре XLM-RoBERTa и содержит 305,2 млн параметров; длина контекста — 514 токенов. Карточка демонстрирует получение эмбеддингов с помощью библиотеки sentence-transformers. Указана лицензия Apache-2.0. Модель рассчитана прежде всего на украинский текст; метаданные также указывают многоязычные языковые теги.

Сценарии применения

  • Сравнение смысловой близости украинских предложений
  • Семантический поиск по украинским документам
  • Кластеризация украинских текстов по смыслу

Ограничения

Контекст ограничен 514 токенами. Обучение описано для украинского корпуса; качество для других языков README не оценивает.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

use-natural-pt

This model is a fine-tuned version of paraphrase-multilingual-mpnet-base-v2, trained on the Ukrainian text corpus UberText 2.0 on the raw corpus with pool targets, with no data augmentation applied. 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.

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-natural-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: None
  • Pool targets: Yes

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
da41da9

0 моделей