cross-encoder/ms-marco-TinyBERT-L-2

cross-encoder

Clasificación de texto

Este modelo fue entrenado en la tarea de clasificación de pasajes de MS Marco. Puede ser utilizado para Recuperación de Información: Dada una consulta, codifica la consulta con todos los pasajes posibles (por ejemplo, recuperados con ElasticSearch) y luego ordena los pasajes en orden decreciente. Consulte SBERT.net Retrieve & Re-rank para obtener 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
El uso se vuelve más fácil cuando tienes SentenceTransformers instalado. Entonces, puedes usar los modelos preentrenados así:
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
Inference Endpoints

Casos de uso

Recuperación de Información
Reranking de pasajes