ローカライズされた読書ガイド
train-sentence-transformers目的、用途、および情報源
文変換モデルをトレーニングまたは微調整するSentenceTransformer（バイエンコーダー、検索、類似性、クラスタリング、分類、言い換えマイニング、重複排除、マルチモーダル用の密なまたは静的埋め込みモデル）CrossEncoder（再ランキング、2段階検索/ペア分類のためのペアスコアリング）SparseEncoder（SPLADE、学習済みスパース検索のためのスパース埋め込みモデル）、MultiVectorEncoder（ColBERT / 遅延インタラクション、トークンごとの埋め込みはMaxSimでスコアリング）。損失選択、ハードネガティブマイニング、評価器、蒸留、LoRA、Matryoshka、Hugging Face Hubパブリッシングを網羅。あらゆる文変換ツールのトレーニングタスクに使用できます。
ソースを取得しました:
- 出典リポジトリ
- huggingface/skills
- SKILL.md
skills/train-sentence-transformers/SKILL.md- リポジトリの Star
- 11,241
- リポジトリの最終更新
- 2026-10-30
- 能力分類
- 開発
- 最終収集時刻
ライセンス: Apache-2.0
ワークフローの抜粋は、Codezによる実行可能な指示ではなく、あくまでも参考資料です。このページを作成するために、サードパーティ製のスキルは実行されていません。
以下の目的とワークフローに関する記述は、上流工程に関する資料であり、読みやすいように整理・翻訳されています。これらは、別途ラベル付けされたCodez編集分析とは区別されます。
このスキルが何をするか
文変換モデルをトレーニングまたは微調整するSentenceTransformer（バイエンコーダー、検索、類似性、クラスタリング、分類、言い換えマイニング、重複排除、マルチモーダル用の密なまたは静的埋め込みモデル）CrossEncoder（再ランキング、2段階検索/ペア分類のためのペアスコアリング）SparseEncoder（SPLADE、学習済みスパース検索のためのスパース埋め込みモデル）、MultiVectorEncoder（ColBERT / 遅延インタラクション、トークンごとの埋め込みはMaxSimでスコアリング）。損失選択、ハードネガティブマイニング、評価器、蒸留、LoRA、Matryoshka、Hugging Face Hubパブリッシングを網羅。あらゆる文変換ツールのトレーニングタスクに使用できます。
上流ワークフローの仕組み
5ワークフロー
モデルタイプを特定します（§1不明瞭な場合は質問してください。§ をロードします2そのタイプの必須読書ファイルを開く。scripts/train__example.pyそしてそれを開始点としてコピーします。MODEL_NAME、DATASET_NAME、RUN_NAME損失、およびユーザーのタスクに対する評価者。相互チェックloss/data-shape対戦相手references/losses_.md相互チェックmetric_for_best_model鍵は反対references/evaluators_.md（名前付き評価器はキーを次のようにフォーマットします）eval_{name}_{primary_metric})
文変換モデルを訓練する
これSKILL.mdこれはルーターであり、マニュアルではありません。タスクに必要な参照とサンプルスクリプトをロードするように指示します。実際のコンテンツ（推奨損失、評価器、トレーニングスクリプトの構造、モデルの選択、トレーニング引数の調整、トラブルシューティング）は、references/そしてscripts/このファイルのみからトレーニング スクリプトを合成しないでください。タイプごとのプロダクション テンプレートを開きます (scripts/train__example.py) をコピーして開始点とします。テンプレートには、負荷を支える足場 (autocast ヘルパー、model-card クラス、logger サイレンシング リスト、force=True、seed、TF32（バージョン互換のインポート、名前付き評価メトリックの処理など）以前のエージェント実行では、合成されたスニペットから独自のコードを作成する際に繰り返し見落とされていた機能。
1モデルタイプを特定する
リクエストが曖昧な場合のタイブレーカー: "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]。それでも不明な場合は、質問してください。
上流への航路 · L12 ↗要件とセットアップ
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)制限事項と品質チェック
4生成されるスクリプトが満たさなければならない制約
これらは交渉の余地のない契約です。実装は本番環境のテンプレートと参照に存在します。再発明しないでください。事前トレーニング評価者のスコアを次のように取得します。baseline_eval前にtrainer.train()。
まずは安全なトライアルから始めましょう
- サポートされているホストとリポジトリのインストール手順を確認してください。スキルディレクトリと、それに関連付けられているスクリプト、アセット、ドキュメントはまとめて保管してください。SKILL.md単独では依存関係を省略できる場合があります。
- エージェントに実際の入力、希望する出力、および受け入れ基準を指定してください。呼び出し構文と利用可能なツールはホストによって異なります。このサイトは、汎用的なインストールコマンドを前提としていません。
- 使い捨てプロジェクトまたはコピーで、元のワークフローを試してみてください。ファイル、リモートサービス、または課金対象リソースを変更する操作は、許可する前に必ず確認してください。
- 出力結果をソースの品質チェックおよび独自の要件と照らし合わせて検証してください。トリガーが成功したことやリポジトリのスター数が多いことだけでは、正しい結果とは言えません。
詳細は出典元をご覧ください。
関連スキル
翻訳と範囲
この読書ガイドは、ピン留めされた上流からの抜粋を選りすぐっていますSKILL.md翻訳は補助的なものです。完全なマニュアルではなく、互換性テスト済みであることを保証するものでもありません。ご使用前に原文および参照ファイルをお読みください。
この紹介文は、下記に固定表示されているバージョンに関するものです。現在のリポジトリのアクティビティと収集時間は別途表示されます。
- ピン留めされたソース
- 原文を読む ↗
- ソースを取得しました
- ソースコミット
fabc634a893f62ad5c2039830397efa35fa62715- ソースSHA-256
9bd098d81049fc245032ee4f97cf5d9de906d726731ace4a6df0bad6d9dcd182