SimCSE
Keine Schätzung
Keine Hardwareanforderungen für dieses Modell
Die Gewichte dieses Modells sind OPEN, aber es wurde keine Parameteranzahl veröffentlicht. Jede MEMORY- und Geschwindigkeitszahl basiert auf dieser Zahl, daher zeigen wir lieber nichts als eine erfundene Schätzung..
Aufgezeichnet
Volle Spezifikation
Alles, was in unserer Datenbank für dieses Modell aufgezeichnet ist. Der Großteil beschreibt, wie es trainiert wurde, anstatt wie es läuft — nützlicher Kontext zur Beurteilung, wie viel Arbeit darin steckt und wie es sich mit Modellen vergleicht, die in einem anderen Maßstab erstellt wurden..
Ursprung
Wer hat dieses Modell gebaut, wo und wann es veröffentlicht wurde.
- Organisation
- Princeton University,Tsinghua University
- Organisationsart
- Academia,Academia
- Land
- United States of America, China
- Veröffentlicht
- 18 May 2022
- Autoren
- Tianyu Gao, Xingcheng Yao, Danqi Chen
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere davon tragen.
- Domain
- Language
- Aufgabe
- Semantic embedding
- Basis-Modell
- RoBERTa Large
- Numerisches Format
- FP16
Größe
Wie groß das Modell ist und wie viele Daten damit trainiert wurden. Parameter sind die Zahl, die entscheidet, ob es auf einer bestimmten GPU-Karte passt.
- Trainingsdaten
- 27,363,505 tokens
- Epochen
- 3
Verfügbarkeit
Ob Sie das Modell beziehen und es auf Ihrer eigenen Hardware ausführen können, bestimmt, ob eine der Grafikkarten-Zahlen auf dieser Seite zutrifft.
- Gewichte
- Open — downloadable
- Modellzugang
- Open weights (unrestricted)
- Training-Code
- Open source
- Hugging Face
- princeton-nlp
Unclear lisense: https://huggingface.co/princeton-nlp/sup-simcse-roberta-large MIT license: https://github.com/princeton-nlp/SimCSE?tab=readme-ov-file
Wie es klassifiziert ist
Labels, die das Quell-Datenset anwendet, wenn bemerkenswerte Modelle verfolgt werden, und wie zuversichtlich es in den Eintrag ist.
- Warum es verfolgt wird
- Highly cited,SOTA improvement
- Aufzeichnungsgenauigkeit
- Likely
- Zitationen
- 4,419
"We evaluate SimCSE on standard semantic textual similarity (STS) tasks, and our unsupervised and supervised models using BERT base achieve an average of 76.3% and 81.6% Spearman's correlation respectively, a 4.2% and 2.2% improvement compared to the previous best results." Table 5
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- SimCSE: Simple Contrastive Learning of Sentence Embeddings
- Zuletzt aktualisiert
- 25 May 2026
Was die Zahlen bedeuten
Was dieses Modell ist
SimCSE wurde veröffentlicht von Princeton University,Tsinghua University, im Land aufgezeichnet als United States of America, während May 2022. Es stammt aus einer Organisation, die kategorisiert ist als academia,Academia.
Es funktioniert im Bereich von Language, und wird als die Aufgabe von aufgezeichnet semantic embedding.
Der Ausgangspunkt war ein vorhandenes Basis-Modell, RoBERTa Large. Das ist der Grund, warum es die allgemeine Form und Größe des Basis-Modells teilt.
Veröffentlichte Gewichte bedeuten, dass das Modell auf deinem Rechner läuft und nicht auf dem eines anderen, was die Hardwarefrage unten überhaupt beantwortbar macht. Es ist unter der Organisation auf Hugging Face veröffentlicht. princeton-nlp.
Training und Herkunft
Der Trainingssatz lief auf etwa 27,363,505 Text-Tokens
Das Einschlusskriterium: highly cited,SOTA improvement.
Antworten
SimCSE — Häufige Fragen
SimCSE— Wofür wird es verwendet?
Es funktioniert im Bereich von Language, und wird als Bewältigung der Aufgabe von semantic embedding. Ein Modell kann mehrere von jedem tragen, daher sind dies die Bereiche, für die es gebaut wurde, anstatt eine Begrenzung dafür, was es versuchen wird.
SimCSE— Wo kann ich es herunterladen?
Seine Gewichte sind auf Hugging Face veröffentlicht, unter der Organisation princeton-nlp. Wir hosten keine Modell-Dateien — diese Seite berechnet, welche Hardware benötigt wird, um sie auszuführen.
SimCSE— Welche GPU benötige ich, um es auszuführen?
Wir können nichts sagen. Es hat offene Gewichte, aber es wurde keine Parameteranzahl veröffentlicht, und jede Berechnung von Speicher und Geschwindigkeit basiert auf dieser Zahl. Wir würden lieber nichts zeigen als eine erfundene Schätzung.
SimCSE— Ist es Open-Source?
Die Gewichte sind veröffentlicht, sodass sie heruntergeladen und auf Ihrer eigenen Hardware ausgeführt werden können. Beachten Sie, dass OPEN WEIGHTS nicht dasselbe wie OPEN SOURCE im vollen Sinne ist — es sagt nichts über die Trainingsdaten, den Trainingscode oder die damit verbundenen kommerziellen Bedingungen aus.
SimCSE— Wie viele Parameter hat es?
Es wurden keine Parameteranzahlen veröffentlicht, weshalb keine Speicher- oder Geschwindigkeitsangaben auf dieser Seite erscheinen.
SimCSE— Wer hat es erstellt?
Es wurde veröffentlicht von Princeton University,Tsinghua University, basiert auf United States of America, eine als kategorisierte Organisation academia,Academia.
SimCSE— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in May 2022. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.
Die andere Richtung
Von der anderen Seite aus betrachten?
Diese Seite beginnt mit dem Modell. Wenn Sie bereits eine Karte besitzen und alles wissen möchten, was sie ausführen wird, Starte stattdessen von der Hardware.