sentence-transformers/all-MiniLM-L6-v2
all-MiniLM-L6-v2 This is a sentence-transformers(https://www.SBERT.net) model: It maps sentences & paragraphs to a 384 dimensional dense vector space and can be used for tasks like clustering or semantic search. Usage (Sentence-Transformers) Using t...
Thành tựu nổi bật
Những danh hiệu mới nhất của dự án
#1 Repository Của Ngày
#1 Repository Của Ngày
#1 Repository Của Ngày
🚀 all-MiniLM-L6-v2: Mã hóa ngôn ngữ thông minh trên nền MiniLM
Mô hình sentence-transformers ánh xạ câu & đoạn văn sang không gian vector 384 chiều, tối ưu cho tìm kiếm ngữ nghĩa và phân cụm.
Đây là mô hình sentence-transformers, dùng để chuyển câu và đoạn văn thành vector dense 384 chiều. Mô hình hỗ trợ các tác vụ như phân cụm, tìm kiếm ngữ nghĩa, đo độ tương đồng. Nó được huấn luyện trên hơn 1 tỷ cặp câu bằng học tập tự giám sát.
✨ Điểm nổi bật
- Mã hóa câu nhanh: chuyển câu thành vector 384 chiều chỉ với vài dòng code.
- Hỗ trợ Transformers: dùng trực tiếp qua thư viện HuggingFace Transformers.
- Mean Pooling + Normalize: kết hợp pooling và chuẩn hóa để tăng chất lượng vector.
- Tối ưu cho tìm kiếm: phù hợp cho semantic search và information retrieval.
- Huấn luyện trên 1B cặp câu: sử dụng dữ liệu đa dạng từ s2orc, ms_marco, stackexchange...
- Kiến trúc nhẹ: dựa trên MiniLM-L6-H384, nhanh và tiết kiệm tài nguyên.
- Hỗ trợ ONNX/OpenVINO: dễ triển khai trên nhiều nền tảng.
💡 Vì sao đáng chú ý
all-MiniLM-L6-v2 khác biệt nhờ quy trình huấn luyện bằng contrastive learning trên 1 tỷ cặp câu, mang lại vector biểu diễn ngữ nghĩa chính xác. Không cần xử lý phức tạp, mô hình chỉ cần gọi model.encode() là nhận được vector ngay. Phù hợp cho ứng dụng tìm kiếm thông tin, phân cụm tài liệu, hay so khớp câu hỏi trên web.
#SentenceTransformers #MiniLM #SemanticSearch #Clustering #TiniX
Dự án tương tự
Khám phá các dự án và mô hình AI khác có sự tương đồng.
all-mpnet-base-v2 This is a sentence-transformers(https://www.SBERT.net) model: It maps sentences & paragraphs to a 768 dimensional dense vector space and can be used for tasks like clustering or semantic search. Usage (Sentence-Transformers) Using...
all-MiniLM-L12-v2 This is a sentence-transformers(https://www.SBERT.net) model: It maps sentences & paragraphs to a 384 dimensional dense vector space and can be used for tasks like clustering or semantic search. Usage (Sentence-Transformers) Using...
all-distilroberta-v1 This is a sentence-transformers(https://www.SBERT.net) model: It maps sentences & paragraphs to a 768 dimensional dense vector space and can be used for tasks like clustering or semantic search. Usage (Sentence-Transformers) Usi...
all-MiniLM-L6-v2 This is a sentence-transformers(https://www.SBERT.net) model: It maps sentences & paragraphs to a 384 dimensional dense vector space and can be used for tasks like clustering or semantic search. Usage (Sentence-Transformers) Using t...
all-mpnet-base-v2 This is a sentence-transformers(https://www.SBERT.net) model: It maps sentences & paragraphs to a 768 dimensional dense vector space and can be used for tasks like clustering or semantic search. Usage (Sentence-Transformers) Using...
sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 This is a sentence-transformers(https://www.SBERT.net) model: It maps sentences & paragraphs to a 384 dimensional dense vector space and can be used for tasks like clustering or semantic se...
FlagEmbedding Model List | FAQ | Usage | Evaluation | Train | Contact | Citation | License More details please refer to our Github: FlagEmbedding(https://github.com/FlagOpen/FlagEmbedding). If you are looking for a model that supports more languages,...
For more details please refer to our github repo: https://github.com/FlagOpen/FlagEmbedding BGE-M3 (paper(https://arxiv.org/pdf/2402.03216.pdf), code(https://github.com/FlagOpen/FlagEmbedding/tree/master/FlagEmbedding/BGEM3)) In this project, we intr...
Cross-Encoder for MS Marco This model was trained on the MS Marco Passage Ranking(https://github.com/microsoft/MSMARCO-Passage-Ranking) task. The model can be used for Information Retrieval: Given a query, encode the query will all possible passages...