Rubert Tiny2

🚀 コインテグレート/rubert - tiny2

このモデルは、高品質な文章埋め込みを持つ小型のロシア語BERTベースのエンコーダーです。様々な自然言語処理タスクに役立ちます。

🚀 クイックスタート

これは[cointegrated/rubert - tiny](https://huggingface.co/cointegrated/rubert - tiny)の更新バージョンです。高品質な文章埋め込みを備えた小型のロシア語BERTベースのエンコーダーです。このロシア語の記事で詳細を確認できます。

前のバージョンとの違いは以下の通りです：

• より大きな語彙：29564トークンから83828トークンに増加
• より長いシーケンスのサポート：512から2048に増加
• 文章埋め込みが以前よりもLaBSEに近くなっています
• 意味のあるセグメント埋め込み（NLIタスクで調整）
• このモデルはロシア語のみに焦点を当てています

このモデルは、文章埋め込みを生成するためにそのまま使用する（例：短いテキストのKNN分類）か、下流のタスクに合わせて微調整することができます。

💻 使用例

基本的な使用法

# pip install transformers sentencepiece
import torch
from transformers import AutoTokenizer, AutoModel
tokenizer = AutoTokenizer.from_pretrained("cointegrated/rubert-tiny2")
model = AutoModel.from_pretrained("cointegrated/rubert-tiny2")
# model.cuda()  # uncomment it if you have a GPU

def embed_bert_cls(text, model, tokenizer):
    t = tokenizer(text, padding=True, truncation=True, return_tensors='pt')
    with torch.no_grad():
        model_output = model(**{k: v.to(model.device) for k, v in t.items()})
    embeddings = model_output.last_hidden_state[:, 0, :]
    embeddings = torch.nn.functional.normalize(embeddings)
    return embeddings[0].cpu().numpy()

print(embed_bert_cls('привет мир', model, tokenizer).shape)
# (312,)

高度な使用法

from sentence_transformers import SentenceTransformer
model = SentenceTransformer('cointegrated/rubert-tiny2')
sentences = ["привет мир", "hello world", "здравствуй вселенная"]
embeddings = model.encode(sentences)
print(embeddings)

📄 ライセンス

このモデルはMITライセンスの下で提供されています。