/ 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
12 авг 2026

use-token-shuffle-pt

ЭмбеддингиТекст → embedding9 профессий

Многоязычная модель эмбеддингов, дообученная для получения векторов украинских предложений и их семантического сравнения.

17скачиваний 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

Модель use-token-shuffle-pt разработана Victormuryn как часть коллекции украинских эмбеддингов предложений. Это дообученная с контрастивной целью модель Sentence Transformers на базе paraphrase-multilingual-mpnet-base-v2, архитектура XLM-RoBERTa, около 305,2 млн параметров. При обучении использовался корпус UberText 2.0 и аугментация перемешиванием токенов с целями для pooling.

Модель преобразует предложения и абзацы в векторы для семантического сравнения, поиска и кластеризации. Она ориентирована на получение эмбеддингов украинского текста; метаданные также указывают поддержку множества других языков. Контекст составляет 514 токенов. Распространяется по лицензии Apache-2.0.

Сценарии применения

  • семантический поиск по украинским текстам
  • сравнение смысловой близости украинских предложений
  • кластеризация украинских документов по смыслу

Ограничения

Контекст ограничен 514 токенами; модель обучалась на украинском корпусе, поэтому её качество на других языках может отличаться.

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-token-shuffle-pt

This model is a fine-tuned version of paraphrase-multilingual-mpnet-base-v2, trained on the Ukrainian text corpus UberText 2.0 with token-shuffling augmentation with 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, token-shuffling 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-token-shuffle-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: Token-shuffling
  • 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
749b7e5

0 моделей