Lokalisierter Leseleitfaden

train-sentence-transformersZweck, Verwendung und Quelle

Trainieren oder verfeinern Sie Satztransformationsmodelle überSentenceTransformer(Bi-Encoder, dichtes oder statisches Einbettungsmodell für Retrieval, Ähnlichkeit, Clustering, Klassifizierung, Paraphrasen-Mining, Deduplizierung, Multimodalität),CrossEncoder(Reranker, Paarbewertung für zweistufigen Abruf / Paarklassifizierung),SparseEncoder(SPLADE, ein Sparse-Embedding-Modell für gelerntes Sparse-Retrieval) undMultiVectorEncoder(ColBERT / späte Interaktion, Token-basierte Einbettungen, bewertet mit MaxSim). Umfasst Verlustselektion, Hard-Negative-Mining, Evaluatoren, Destillation, LoRA, Matryoshka und die Veröffentlichung auf Hugging Face Hub. Geeignet für beliebige Trainingsaufgaben mit Satztransformatoren.

Quelle abgerufen: 2026-10-29

Quell-Repository: huggingface/skills
SKILL.md: skills/train-sentence-transformers/SKILL.md
Repository-Sterne: 11,241
Repository zuletzt aktualisiert: 2026-10-30
Fähigkeitskategorien: Entwicklung
Letzte Datenerfassung: 2026-10-31 10:38 UTC+08:00

Lizenz: Apache-2.0

Original SKILL.md

Die Workflow-Auszüge dienen als Lesehilfe und sind keine ausführbaren Anweisungen von Codez. Für die Erstellung dieser Seite wurde keine Drittanbieter-Skill verwendet.

Die folgenden Abschnitte zu Zweck und Arbeitsablauf sind vorgelagertes Material, das zur besseren Lesbarkeit aufbereitet und übersetzt wurde. Sie unterscheiden sich von der separat gekennzeichneten redaktionellen Analyse von Codez.

Was diese Fähigkeit bewirkt

Wie der vorgelagerte Workflow funktioniert

5Arbeitsablauf

Identifizieren Sie den Modelltyp (§1Bei Unklarheiten nachfragen. §2Erforderliche Lesedateien für diesen Typ. Öffnenscripts/train__example.pyund kopiere es als Ausgangspunkt. ErsetzenMODEL_NAME,DATASET_NAME,RUN_NAMEDer Verlust und der Evaluator werden mit der Aufgabe des Benutzers abgeglichen. Querverweisloss/data-shapeSpiel gegenreferences/losses_.mdÜberprüfen Sie diemetric_for_best_modelSchlüssel gegenreferences/evaluators_.md(benannte Evaluatoren formatieren den Schlüssel alseval_{name}_{primary_metric}).

Aufwärtspassage · L90 ↗

Trainiere ein Satztransformator-Modell

DasSKILL.mdist ein Router, kein Handbuch. Er zeigt Ihnen, welche Referenzen und Beispielskripte Sie für Ihre Aufgabe laden sollten. Der eigentliche Inhalt (empfohlene Verlustfunktionen, Evaluatoren, Struktur des Trainingsskripts, Modellauswahl, Parameter für die Trainingsargumente, Fehlerbehebung) befindet sich inreferences/Undscripts/Erstellen Sie aus dieser Datei allein kein Trainingsskript. Öffnen Sie die typspezifische Produktionsvorlage (scripts/train__example.py) und kopieren Sie es als Ausgangspunkt. Die Vorlagen enthalten tragende Gerüststrukturen (Autocast-Helfer, Modellkartenklasse, Liste zum Unterdrücken von Logger-Protokollen,force=True,seed, TF32, versionskompatible Importe, Behandlung von Metriken mit benannten Evaluatoren), die frühere Agentenläufe wiederholt übersehen haben, wenn sie ihre eigenen aus einem synthetisierten Code-Snippet erstellt haben.

Aufwärtspassage · L6 ↗

1. Modelltyp bestimmen

Bei unklaren Anfragen gelten folgende Trennverfahren: „Einbettungsmodell“ / „Vektorsuche“ / „Ähnlichkeit“ → [SentenceTransformer]. „Rerank“ / „Ranker“ / „Zweistufig“ → [CrossEncoder]. „SPLADE“ / „Sparse“ / „Invertierter Index“ → [SparseEncoder]. „ColBERT“ / „Späte Interaktion“ / „Multi-Vektor“ / „MaxSim“ / „ColPali“ / „ColQwen“ → [MultiVectorEncoder]. Bei weiteren Unklarheiten fragen Sie bitte nach.

Aufwärtspassage · L12 ↗

Anforderungen und Einrichtung

Voraussetzungen

Eine Grafikkarte wird dringend empfohlen. Die CPU funktioniert nur für Demos.[SentenceTransformer] StaticEmbeddingDie

Aufwärtspassage · L100 ↗

Aufwärtspassage · bash ↗

pip install "sentence-transformers[train]>=5.0"        # add [train,image] / [audio] / [video] for [SentenceTransformer] multimodal
                                                       # [MultiVectorEncoder] requires >=6.0
pip install trackio                                    # optional tracker (or wandb / tensorboard / mlflow)
hf auth login                                          # or set HF_TOKEN with write scope (for Hub push)

Grenzwerte und Qualitätskontrollen

4. Einschränkungen, die das erzeugte Skript erfüllen muss

Dies sind nicht verhandelbare Verträge. Die Implementierung erfolgt anhand der Produktionsvorlagen und Referenzen. Erfinden Sie nichts neu. Erfassen Sie die Bewertung des Evaluators vor dem Training alsbaseline_evalvortrainer.train()Die

Aufwärtspassage · L76 ↗

Beginnen Sie mit einem sicheren Testlauf

Prüfen Sie den unterstützten Host und die Installationsanweisungen für das Repository. Halten Sie das Skill-Verzeichnis und die darin enthaltenen Skripte, Assets und Dokumentationen zusammen;SKILL.mdEine Einzelperson kann Abhängigkeiten außer Acht lassen.
Geben Sie dem Agenten Ihre tatsächlichen Eingaben, die gewünschten Ausgaben und die Akzeptanzkriterien an. Aufrufsyntax und verfügbare Tools hängen vom Hostsystem ab; diese Website geht nicht von einem universellen Installationsbefehl aus.
Testen Sie den Quellworkflow in einem temporären Projekt oder auf einer Kopie. Überprüfen Sie Vorgänge, die Dateien, Remote-Dienste oder abrechnungsfähige Ressourcen ändern, bevor Sie diese zulassen.
Überprüfen Sie die Ausgabe anhand der Quellqualitätsprüfungen und Ihrer eigenen Anforderungen. Ein erfolgreicher Trigger oder eine hohe Anzahl von Sternen im Repository garantiert kein korrektes Ergebnis.

Spezifikation des Kompetenzformats und des Verzeichnisses ↗

Lesen Sie mehr dazu in der Quelle.

Übersetzung und Umfang

Dieser Leseleitfaden wählt Passagen aus dem markierten stromaufwärts gelegenen Abschnitt aus.SKILL.mdDie Übersetzung wurde unterstützt. Es handelt sich weder um ein vollständiges Handbuch noch um eine Garantie für geprüfte Kompatibilität. Lesen Sie vor der Verwendung das Original und die darin referenzierten Dateien.

Diese Einleitung bezieht sich auf die unten angepinnte Version; die aktuelle Repository-Aktivität und der Erfassungszeitpunkt werden separat angezeigt.

Angeheftete Quelle: Lesen Sie das Original ↗
Quelle abgerufen: 2026-10-29T09:32:23Z
Source-Commit: fabc634a893f62ad5c2039830397efa35fa62715
Quelle SHA-256: 9bd098d81049fc245032ee4f97cf5d9de906d726731ace4a6df0bad6d9dcd182

Zurück zum vollständigen Kompetenzkatalog