SimCSE
Nincs becslés
Nincs hardver követelmény ennek a modellnek
Ez a modell súlyai nyilvánosak, de a paraméterszámokat nem tették közzé. Minden memória- és sebességszám ebből a számból indul, ezért inkább nem mutatunk semmit, mint egy hamisított becslést..
Nyilvántartásban
Teljes specifikáció
Minden feljegyzett ezzel a modellel kapcsolatban. A legtöbbje azt írja le, hogyan képezték ki, nem pedig azt, hogyan fut — hasznos kontextus annak megítéléséhez, hogy mennyi munka ment bele, és hogyan viszonyul a más méretben épített modellekhez..
Eredet
Ki építette ezt a modellt, hol, és mikor publikálták.
- Szervezet
- Princeton University,Tsinghua University
- Szervezet típusa
- Academia,Academia
- Ország
- United States of America, China
- Közölt
- 18 May 2022
- Szerzők
- Tianyu Gao, Xingcheng Yao, Danqi Chen
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Language
- Feladat
- Semantic embedding
- Alapmodell
- RoBERTa Large
- Numerikus formátum
- FP16
Méret
Mekkora a modell, és mennyi adatot használtak a betanításához. A paraméterek azok a számok, amelyek eldöntik, hogy az adott grafikus kártyára illeszkedik-e.
- Képzési adatok
- 27,363,505 tokens
- Epochok
- 3
Elérhetőség
Hogy meg tudja-e szerezni a modellt és futtatni a saját hardverén, ez dönt arról, hogy alkalmazhatóak-e a lap ezen oldalán feltüntetett grafikus kártya adatok.
- Súlyok
- Open — downloadable
- Modell hozzáférés
- Open weights (unrestricted)
- Képzés kód
- 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
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Miért követik nyomon
- Highly cited,SOTA improvement
- Nyilvántartási bizalom
- Likely
- Hivatkozások
- 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
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- SimCSE: Simple Contrastive Learning of Sentence Embeddings
- Utoljára frissítve
- 25 May 2026
Mit jelentenek a számok
Mit jelent ez a modell
SimCSE ki lett adva által Princeton University,Tsinghua University, az országban rögzítve mint United States of America, alatt May 2022. Egy olyan szervezetből származik, amelyet kategorizálnak mint academia,Academia.
Működik a területen a Language, és úgy van rögzítve, mint a feladat végrehajtása semantic embedding.
A kiindulópontja egy meglévő alapmodell volt, RoBERTa Large. Ezért osztja a bázismodell általános formáját és méretét.
A közzétett súlyok azt jelentik, hogy a modell a te gépeden fut, nem pedig valaki másén, ami lehetővé teszi az alábbi hardverkérdés megválaszolását. A Hugging Face-en az alábbi szervezet alatt van publikálva princeton-nlp.
Képzés és származás
A tanító készlet kb. futott 27,363,505 szöveg tokenjei
A kiválasztási kritériuma: highly cited,SOTA improvement.
Válaszok
SimCSE — gyakori kérdések
SimCSE— Mire használják?
Működik a területen a Language, és rögzítve van, hogy kezeli a feladatot semantic embedding. A modell több mindenből is képes cipelni, így ezek azok a területek, amelyekre épült, nem pedig egy korlát arra, amit meg fog próbálni.
SimCSE— Hol tudom letölteni?
Súlyait a Hugging Face-en tette közzé, a szervezet alatt princeton-nlp. Nem tárolunk modell fájlokat — ez az oldal kiszámolja, hogy milyen hardver szükséges a futtatásukhoz.
SimCSE— Milyen GPU-ra van szükségem, hogy futtathassam?
Nem tudjuk megmondani. Nyílt súlyai vannak, de a paraméterek számát nem tették közzé, és minden memória- és sebességszámítás ebből a számból indul. Inkább nem mutatunk semmit, mint egy hamisított becslést.
SimCSE— Nyílt forráskódú?
Súlyai közzétételre kerültek, így letölthető és futtatható a saját hardvereden. Ne feledd, hogy az open weight nem azonos az open source teljes értelmében — nem mond semmit a tanulási adatokkal, a tanulási kóddal vagy a kereskedelmi feltételekkel kapcsolatban.
SimCSE— Hány paramétere van?
Nincs közzétéve paraméterszám, ezért ez az oldal nem tartalmaz memóriával vagy sebességgel kapcsolatos adatokat.
SimCSE— Ki készítette ezt?
Kiadta Princeton University,Tsinghua University, alapján United States of America, egy szervezet, amelyet kategorizáltak mint academia,Academia.
SimCSE— Mikor adták ki?
Kibocsátották a May 2022. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
A másik irány
Másik oldalról nézve?
Ez az oldal a modellel kezdődik. Ha már van kártyád, és szeretnéd tudni, hogy mindent futtat-e, Kezdj a hardverből..