C✳CODEZ.WIN
🌐 Français

Guide de lecture localisé

train-sentence-transformersObjectif, utilisation et source

Entraîner ou affiner les modèles de transformation de phrases surSentenceTransformer(bi-encodeur, modèle d'intégration dense ou statique pour la recherche, la similarité, le regroupement, la classification, l'extraction de paraphrases, la déduplication, le multimodal),CrossEncoder(reclasseur, notation par paires pour la récupération en deux étapes / classification par paires),SparseEncoder(SPLADE, modèle d'intégration parcimonieuse pour la récupération parcimonieuse apprise), etMultiVectorEncoder(ColBERT / interactions tardives, plongements lexicaux par jeton évalués avec MaxSim). Inclut la sélection de la fonction de perte, l'extraction de négatifs difficiles, les évaluateurs, la distillation, LoRA, Matryoshka et la publication sur Hugging Face Hub. Utilisable pour toute tâche d'entraînement de transformateurs de phrases.

Source récupérée:

Dépôt source
huggingface/skills
SKILL.md
skills/train-sentence-transformers/SKILL.md
Étoiles du dépôt
11,241
Mise à jour du dépôt
2026-10-30
Catégories de capacités
Développement
Dernière collecte

Licence : Apache-2.0

SKILL.md original

Les extraits de flux de travail sont des outils de lecture et non des instructions exécutables de Codez. Aucune compétence tierce n'a été utilisée pour générer cette page.

Les passages relatifs à l'objectif et au flux de travail ci-dessous constituent le contenu original, organisé et traduit pour la lecture. Ils sont distincts de l'analyse éditoriale de Codez, qui est étiquetée séparément.

À quoi sert cette compétence ?

Entraîner ou affiner les modèles de transformation de phrases surSentenceTransformer(bi-encodeur, modèle d'intégration dense ou statique pour la recherche, la similarité, le regroupement, la classification, l'extraction de paraphrases, la déduplication, le multimodal),CrossEncoder(reclasseur, notation par paires pour la récupération en deux étapes / classification par paires),SparseEncoder(SPLADE, modèle d'intégration parcimonieuse pour la récupération parcimonieuse apprise), etMultiVectorEncoder(ColBERT / interactions tardives, plongements lexicaux par jeton évalués avec MaxSim). Inclut la sélection de la fonction de perte, l'extraction de négatifs difficiles, les évaluateurs, la distillation, LoRA, Matryoshka et la publication sur Hugging Face Hub. Utilisable pour toute tâche d'entraînement de transformateurs de phrases.

Comment fonctionne le flux de travail en amont

5Flux de travail

Identifiez le type de modèle (§1Demandez si c'est ambigu. Chargez le §2fichiers de lecture obligatoire pour ce type. Ouvrirscripts/train__example.pyet copiez-le comme point de départ. RemplacerMODEL_NAME,DATASET_NAME,RUN_NAME, la perte et l'évaluateur avec la tâche de l'utilisateur. Vérification croiséeloss/data-shapematch contrereferences/losses_.mdVérifiez lesmetric_for_best_modelclé contrereferences/evaluators_.md(les évaluateurs nommés formatent la clé commeeval_{name}_{primary_metric}).

passage en amont · L90 ↗

Entraîner un modèle de transformation de phrases

CeSKILL.mdIl s'agit d'un outil de configuration, pas d'un manuel. Il vous indique les références et les exemples de scripts à charger pour votre tâche. Le contenu proprement dit (pertes recommandées, évaluateurs, structure du script d'entraînement, sélection du modèle, paramètres d'entraînement, dépannage) se trouve dansreferences/etscripts/Ne synthétisez pas un script d'entraînement à partir de ce seul fichier. Ouvrez le modèle de production par type (scripts/train__example.py) et copiez-le comme point de départ. Les modèles contiennent une structure porteuse (assistant de conversion automatique, classe de carte de modèle, liste de désactivation des journaux,force=True,seed, TF32, les importations compatibles avec la version, la gestion des métriques d'évaluateur nommé) que les exécutions d'agents précédentes ont manquées à plusieurs reprises lors de la création de leur propre version à partir d'un extrait synthétisé.

passage en amont · L6 ↗

1Identifier le type de modèle

Critères de départage en cas d'ambiguïté dans la requête : « embedding model » / « vector search » / « similarity » → [SentenceTransformer]. « rerank » / « ranker » / « two-stage » → [CrossEncoder]. « SPLADE » / « sparse » / « inverted index » → [SparseEncoder]. « ColBERT » / « late interaction » / « multi-vector » / « MaxSim » / « ColPali » / « ColQwen » → [MultiVectorEncoder]. En cas de doute, n'hésitez pas à poser des questions.

passage en amont · L12 ↗

Configuration requise

Prérequis

Carte graphique fortement recommandée. Le processeur ne fonctionne que pour les démonstrations et[SentenceTransformer] StaticEmbedding.

passage en amont · L100 ↗
passage en amont · 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)

Limites et contrôles de qualité

4. Contraintes que le script produit doit respecter

Ce sont des contrats non négociables. La mise en œuvre se trouve dans les modèles et références de production. Ne réinventez pas la roue. Consignez le score de l'évaluateur avant la formation.baseline_evalavanttrainer.train().

passage en amont · L76 ↗

Commencez par un essai sans danger

  1. Vérifiez l'hôte pris en charge et les instructions d'installation du dépôt. Conservez le répertoire Skill ainsi que ses scripts, ressources et documentation référencés ;SKILL.mdSeul, il peut omettre les dépendances.
  2. Indiquez à l'agent vos paramètres d'entrée réels, le résultat souhaité et les critères d'acceptation. La syntaxe d'appel et les outils disponibles dépendent du système hôte ; ce site ne propose pas de commande d'installation universelle.
  3. Testez le flux de travail source dans un projet temporaire ou sur une copie. Avant d'autoriser les opérations qui modifient des fichiers, des services distants ou des ressources facturables, examinez-les attentivement.
  4. Vérifiez la conformité du résultat avec les contrôles qualité sources et vos propres exigences. Un déclenchement réussi ou un nombre élevé d'étoiles dans le dépôt ne garantissent pas un résultat correct.

Spécifications du format et du répertoire des compétences ↗

Pour en savoir plus, consultez la source.

Traduction et étendue

Ce guide de lecture sélectionne des passages de l'amont épingléSKILL.mdCette traduction est assistée. Elle ne constitue pas un manuel complet et ne garantit pas une compatibilité testée. Veuillez lire le document original et les fichiers auxquels il fait référence avant utilisation.

Cette introduction fait référence à la version épinglée ci-dessous ; l’activité actuelle du dépôt et la durée de la collecte sont indiquées séparément.

Source épinglée
Lire l'original ↗
Source récupérée
Commit source
fabc634a893f62ad5c2039830397efa35fa62715
Source SHA-256
9bd098d81049fc245032ee4f97cf5d9de906d726731ace4a6df0bad6d9dcd182
Retour au catalogue complet des compétences