cross-encoder/ms-marco-MiniLM-L-2-v2

cross-encoder

Clasificación de texto

Este modelo está entrenado en la tarea de clasificación de pasajes de MS Marco. El modelo se puede utilizar para la recuperación de información: dada una consulta, codifica la consulta con todos los posibles pasajes (por ejemplo, recuperados con ElasticSearch). Luego ordena los pasajes en orden descendente. Véase SBERT.net Retrieve & Re-rank para más detalles. El código de entrenamiento está disponible aquí: SBERT.net Training MS Marco.

Como usar

Uso con Transformers
from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch

model = AutoModelForSequenceClassification.from_pretrained('model_name')
tokenizer = AutoTokenizer.from_pretrained('model_name')

features = tokenizer(['¿Cuántas personas viven en Berlín?', '¿Cuántas personas viven en Berlín?'], ['Berlín tiene una población de 3.520.031 habitantes registrados en un área de 891.82 kilómetros cuadrados.', '¿Nueva York es famosa por el Museo Metropolitano de Arte.'], padding=True, truncation=True, return_tensors="pt")

model.eval()
with torch.no_grad():
  scores = model(**features).logits
print(scores)

Uso con SentenceTransformers
from sentence_transformers import CrossEncoder
model = CrossEncoder('model_name', max_length=512)
scores = model.predict([('Consulta', 'Párrafo1'), ('Consulta', 'Párrafo2') , ('Consulta', 'Párrafo3')])

Funcionalidades

Clasificación de texto
Transformers
PyTorch
JAX
Puntos de inferencia

Casos de uso

Recuperación de información
Clasificación de pasajes