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

cross-encoder

Clasificación de texto

Este modelo fue entrenado en la tarea de clasificación de pasajes de MS Marco. El modelo puede ser usado 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 decreciente. Ve 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(['How many people live in Berlin?', 'How many people live in Berlin?'], ['Berlin has a population of 3,520,031 registered inhabitants in an area of 891.82 square kilometers.', 'New York City is famous for the Metropolitan Museum of Art.'],  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([('Query', 'Paragraph1'), ('Query', 'Paragraph2'), ('Query', 'Paragraph3')])

Funcionalidades

Transformers
PyTorch
JAX
bert
Inference Endpoints

Casos de uso

Recuperación de Información
Clasificación de Texto
Reordenamiento de Pasajes