SimCSE
Nessuna stima
Nessun requisito hardware per questo modello
I pesi di questo modello sono open weight, ma non è stato pubblicato alcun conteggio dei parametri. Ogni figura di memory e velocità parte da quel numero, quindi preferiremmo non mostrare nulla piuttosto che una stima fabbricata..
In registrazione
specifiche complete
Tutto in archivio per questo modello. La maggior parte descrive come è stato addestrato piuttosto che come gira — contesto utile per giudicare quanto lavoro c'è stato dietro, e come si confronta con i modelli costruiti su una scala diversa..
Origine
Chi ha costruito questo modello, dove e quando è stato pubblicato.
- Organizzazione
- Princeton University,Tsinghua University
- Tipo di organizzazione
- Academia,Academia
- Paese
- United States of America, China
- Pubblicato
- 18 May 2022
- Autori
- Tianyu Gao, Xingcheng Yao, Danqi Chen
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Language
- Compito
- Semantic embedding
- Modello di base
- RoBERTa Large
- Formato numerico
- FP16
Dimensione
Quanto è grande il modello e su quanti dati è stato addestrato. I parametri sono la cifra che decide se si adatta a una determinata scheda grafica.
- Dati di addestramento
- 27,363,505 tokens
- Epoche
- 3
Disponibilità
Se puoi ottenere il modello e farlo funzionare sul tuo hardware, il che decide se alcune delle cifre della scheda grafica su questa pagina sono applicabili.
- Pesi
- Open — downloadable
- Accesso al modello
- Open weights (unrestricted)
- Codice di addestramento
- 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
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Perché è monitorato
- Highly cited,SOTA improvement
- Record fiducia
- Likely
- Citazioni
- 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
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- SimCSE: Simple Contrastive Learning of Sentence Embeddings
- Ultimo aggiornamento
- 25 May 2026
Cosa significano i numeri
Cosa è questo modello
SimCSE è stato pubblicato da Princeton University,Tsinghua University, nel paese registrato come United States of America, durante May 2022. Esce da un'organizzazione categorizzata come academia,Academia.
Funziona nel dominio di Language, ed è registrato come eseguire il compito di semantic embedding.
Il suo punto di partenza era un modello di base esistente, RoBERTa Large. È per questo che condivide la forma e le dimensioni generali del modello base.
I pesi pubblicati significano che il modello gira sulla tua macchina piuttosto che su quella di qualcun altro, il che rende la domanda sull'hardware qui sotto rispondibile. Su Hugging Face è pubblicato sotto l'organizzazione princeton-nlp.
Addestramento e provenienza
Il set di addestramento si aggirava attorno a 27,363,505 token di testo
Il suo criterio di inclusione: highly cited,SOTA improvement.
Risposte
SimCSE — domande comuni
SimCSE— A cosa serve?
Funziona nel dominio di Language, e viene registrato come gestire il compito di semantic embedding. Un modello può gestire diversi di ciascuno, quindi queste sono le aree per cui è stato costruito piuttosto che un limite su ciò che tenterà.
SimCSE— Dove posso scaricarlo?
I suoi pesi sono pubblicati su Hugging Face, sotto l'organizzazione princeton-nlp. Non ospitiamo file di modelli — questo sito calcola quale hardware è necessario per eseguirli.
SimCSE— che GPU ho bisogno per eseguirlo?
Non possiamo dire. Ha pesi aperti, ma non è stato pubblicato alcun conteggio dei parametri per esso, e ogni calcolo di memoria e velocità parte da quel numero. Preferiremmo non mostrare nulla piuttosto che una stima fabbricata.
SimCSE— è open-source?
I suoi pesi sono pubblicati, quindi può essere scaricato e eseguito sul proprio hardware. Si noti che OPEN WEIGHTS non è lo stesso di OPEN SOURCE nel senso completo — non dice nulla sui dati di addestramento, sul codice di addestramento o sui termini commerciali allegati.
SimCSE— quanti parametri ha?
Non è stato pubblicato alcun conteggio dei parametri per esso, motivo per cui non appare alcun dato sulla memoria o sulla velocità su questa pagina.
SimCSE— chi l'ha creato?
È stato pubblicato da Princeton University,Tsinghua University, basato su United States of America, un'organizzazione categorizzata come academia,Academia.
SimCSE— quando è stato rilasciato?
È stato pubblicato in May 2022. La capacità per parametro è migliorata considerevolmente da allora, quindi un modello più recente della stessa dimensione è spesso un uso migliore dello stesso hardware.
L'altra direzione
Guardandolo dall'altro lato?
Questa pagina parte dal modello. Se possiedi già una scheda e vuoi sapere tutto ciò che farà funzionare, inizia dall'hardware invece.