Test_bge_raw_finmodern_tri_merged
модель для финансового семантического поиска
1 мин чтенияобновлено
Эта модель представляет собой специализированную версию популярной языковой архитектуры BAAI/bge-m3, дообученную для сопоставления текстов и поиска документов (retrieval) в финансовой сфере. Модель преобразует предложения и абзацы в плотные векторы размерностью 1024, используя косинусную близость для оценки релевантности. Разработчик finvector обучил её на датасете с триплетами финансовых документов. Модель отлично подойдёт для аналитиков и разработчиков, создающих поисковые системы по отчётам компаний и финансовой документации.
Ключевые особенности
- Основана на мощной базе BAAI/bge-m3 с архитектурой XLMRobertaModel.
- Максимальная длина последовательности составляет 512 токенов.
- Выходная размерность векторов равна 1024.
- Обучена методом сопоставления триплетов (query, positive, negative).
Что можно сделать
- Настроить семантический поиск по финансовым отчётам, договорам и корпоративной отчётности.
- Интегрировать модель в корпоративный RAG-пайплайн (генерацию с дополненным поиском) для точного ответа на вопросы по документам.
- Сравнивать схожесть финансовых утверждений и абзацев с помощью косинусного расстояния.
Пример
from sentence_transformers import SentenceTransformer
model = SentenceTransformer("finvector/Test_bge_raw_finmodern_tri_merged")
queries = ['Adobe reports revenue outside the Americas...']
documents = ['As a global business that generates...']
query_embeddings = model.encode_query(queries)
document_embeddings = model.encode_document(documents)
similarities = model.similarity(query_embeddings, document_embeddings)
print(similarities)Подробнее
Метрики: cosine_accuracy — 0.8667 на тестовом датасете.Ограничения: максимальная длина текста ограничена 512 токенами.
Лицензия: apache-2.0.
Размер модели: ~0.57 млрд параметров.










Комментарии