Локализованное руководство по чтению

train-sentence-transformersНазначение, использование и источник

Обучайте или дорабатывайте модели преобразования предложений в различных контекстах.SentenceTransformer(двухкодировщик, плотная или статическая модель встраивания для поиска, определения сходства, кластеризации, классификации, анализа перефразирований, дедупликации, мультимодального отображения),CrossEncoder(переранжировщик, парная оценка для двухэтапного поиска / парной классификации),SparseEncoder(SPLADE, модель разреженного встраивания для обучения разреженному поиску), иMultiVectorEncoder(ColBERT / позднее взаимодействие, потоковые эмбеддинги, оцениваемые с помощью MaxSim). Охватывает выбор функции потерь, поиск жестких отрицательных значений, оценщики, дистилляцию, LoRA, Matryoshka и публикацию Hugging Face Hub. Подходит для любых задач обучения преобразователей предложений.

Источник получен: 2026-10-29

Репозиторий-источник: huggingface/skills
SKILL.md: skills/train-sentence-transformers/SKILL.md
Звёзды репозитория: 11,241
Последнее обновление репозитория: 2026-10-30
Категории Skills: Разработка
Время последнего сбора: 2026-10-31 10:38 UTC+08:00

Лицензия: Apache-2.0

Оригинальный файл SKILL.md

Приведенные фрагменты описания рабочих процессов являются вспомогательными средствами для чтения, а не исполняемыми инструкциями от Codez. Для создания этой страницы не использовались сторонние инструменты.

Приведённые ниже фрагменты, описывающие цели и рабочие процессы, представляют собой исходный материал, систематизированный и переведённый для удобства чтения. Они отличаются от отдельно обозначенного редакционного анализа Codez.

Что делает этот навык

Как работает рабочий процесс на вышестоящем уровне

5Рабочий процесс

Определите тип модели (§)1). Спросите, если что-то непонятно. Загрузите §2Обязательные к прочтению файлы данного типа. Откройте их.scripts/train__example.pyи скопируйте его в качестве отправной точки. ЗаменитеMODEL_NAME,DATASET_NAME,RUN_NAMEпотеря и оценщик, сопоставляющий результат с задачей пользователя. Перекрестная проверка.loss/data-shapeматч противreferences/losses_.md. Перепроверьтеmetric_for_best_modelключ противreferences/evaluators_.md(Именованные оценщики форматируют ключ следующим образом)eval_{name}_{primary_metric}).

проход вверх по течению · L90 ↗

Обучение модели преобразования предложений

ЭтотSKILL.mdЭто маршрутизатор, а не руководство. Он указывает, какие справочные материалы и примеры скриптов следует загрузить для вашей задачи. Фактическое содержимое (рекомендуемые функции потерь, оценщики, структура скрипта обучения, выбор модели, параметры параметров обучения, устранение неполадок) находится вreferences/иscripts/Не создавайте обучающий скрипт только на основе этого файла. Откройте шаблон производства для каждого типа (scripts/train__example.py) и скопируйте его в качестве отправной точки. Шаблоны содержат несущий каркас (вспомогательный класс для автоматического приведения типов, класс-карточка модели, список подавления логгера,force=True,seed, TF32(совместимый с версиями импорт, обработка метрик именованных оценщиков), которые предыдущие запуски агента неоднократно пропускали при создании собственных сценариев на основе синтезированного фрагмента кода.

проход вверх по течению · L6 ↗

1Определите тип модели.

В случае неоднозначности запроса используйте следующие методы разрешения конфликтов: "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]. Если всё ещё непонятно, уточните.

проход вверх по течению · L12 ↗

Требования и настройка

Предварительные требования

Настоятельно рекомендуется использовать видеокарту. Для демонстрационных целей подходит только центральный процессор.[SentenceTransformer] StaticEmbedding.

проход вверх по течению · L100 ↗

проход вверх по течению · 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)

Ограничения и проверки качества

4. Ограничения, которым должен удовлетворять созданный скрипт.

Это не подлежащие обсуждению контракты. Реализация осуществляется в производственных шаблонах и справочных материалах. Не нужно ничего изобретать заново. Зафиксируйте оценку, полученную экспертом до обучения.baseline_evalдоtrainer.train().

проход вверх по течению · L76 ↗

Начните с безопасного пробного периода.

Проверьте поддерживаемый хост и инструкции по установке репозитория. Храните каталог Skill, а также связанные с ним скрипты, ресурсы и документацию вместе;SKILL.mdВ одиночку можно опустить зависимости.
Предоставьте агенту ваши реальные входные данные, желаемый результат и критерии приемки. Синтаксис вызова и доступные инструменты зависят от хоста; данный сайт не предполагает универсальной команды установки.
Попробуйте запустить исходный рабочий процесс в тестовом проекте или в его копии. Перед тем как разрешить операции, изменяющие файлы, удаленные сервисы или оплачиваемые ресурсы, проверьте их.
Проверьте выходные данные на соответствие исходным проверкам качества и вашим собственным требованиям. Успешный запуск или большое количество звезд в репозитории не гарантируют корректного результата.

Формат навыков и спецификация каталога ↗

Подробнее читайте в источнике.

Перевод и сфера применения

В этом руководстве по чтению представлены избранные отрывки из закрепленного текста выше по течению.SKILL.mdПеревод выполнен с помощью переводчика. Это не полное руководство и не гарантия проверенной совместимости. Перед использованием ознакомьтесь с оригиналом и указанными в нем файлами.

Данное введение относится к закрепленной ниже версии; текущая активность в репозитории и время сбора данных отображаются отдельно.

Закрепленный источник: Прочитайте оригинал ↗
Источник получен: 2026-10-29T09:32:23Z
Исходный коммит: fabc634a893f62ad5c2039830397efa35fa62715
Исходный SHA-256: 9bd098d81049fc245032ee4f97cf5d9de906d726731ace4a6df0bad6d9dcd182

Вернуться к полному каталогу навыков