橙子AI科技 Logo 橙子AI科技 需求咨询
菜单
模型

ms-marco-MiniLM-L6-v2

cross-encoder/ms-marco-MiniLM-L6-v2

查看上游原文 ↗
上游访问：公开 本站服务：可咨询 内容检查：AI 辅助整理并检查 许可证：apache-2.0 上游版本：c5ee24cb1601

中文简介

cross-encoder/ms-marco-MiniLM-L6-v2 是 cross-encoder 在 Hugging Face 发布的模型仓库，当前卡片主要关联向量表示与检索。本站固定记录上游版本 c5ee24cb1601，同步到 23 个文件，文件元数据合计 825.17 MB；访问状态为“公开”，许可证字段为“apache-2.0”。

UPSTREAM README

上游模型卡 / 数据集卡

在 Hugging Face 查看原文 ↗

【README 卡片中文译介】

以下内容依据上游仓库 cross-encoder/ms-marco-MiniLM-L6-v2 的固定版本 README、卡片字段和文件元数据进行中文结构化整理。它保留便于选型的关键信息，完整技术细节、代码示例和许可文本请同时查看上游原文。

【资源概览】
cross-encoder/ms-marco-MiniLM-L6-v2 是 cross-encoder 在 Hugging Face 发布的模型仓库，当前卡片主要关联向量表示与检索。本站固定记录上游版本 c5ee24cb1601，同步到 23 个文件，文件元数据合计 825.17 MB；访问状态为“公开”，许可证字段为“apache-2.0”。

【适用方向】
适合评估代码生成、仓库级理解、软件工程智能体和开发辅助流程。 建议先用小规模样本验证推理框架、输入输出格式和任务指标，再决定是否进入完整权重获取、量化或部署评估。

【版本与规格】
固定版本：c5ee24cb1601。 任务标签：向量表示与检索。 语言字段：en。 架构：BertForSequenceClassification。 上游 Safetensors 元数据显示参数量约 22.71 M。 库标记：sentence-transformers。 模型类型字段：bert。 上游标注的基础模型：cross-encoder/ms-marco-MiniLM-L12-v2。 上游页面记录的最近更新时间：2025-08-29。

【文件信息】
上游 API 返回 23 个文件，文件元数据合计 825.17 MB。 已保存文件清单中的主要扩展名：.onnx 9 个、.json 4 个、.bin 3 个、.xml 2 个、.md 1 个、.msgpack 1 个。 当前较大的文件包括：onnx/model.onnx（86.80 MB）；onnx/model_O1.onnx（86.75 MB）；pytorch_model.bin（86.69 MB）。

【运行或处理环境】
仓库文件元数据合计 825.17 MB。 按每参数 2 字节只计算 BF16 权重，理论下限约 43.32 MB；这不包含 KV Cache、激活值、框架开销或并发余量。 实际显存与内存由精度、量化方式、上下文长度、批量、并发、MoE 专家加载方式和推理框架共同决定，不能只凭参数名或仓库大小作部署承诺；应在目标格式和目标硬件上实测。

【使用边界】
许可证显示为“apache-2.0”，具体用途限制、附加政策和归属要求仍以上游原文为准。 模型输出、工具调用和生成内容可能出现错误、偏见或安全风险，面向业务前应建立任务级评测、权限隔离和人工确认。

已有简体中文译文 · Codex 基于固定版本 README 与上游元数据生成中文结构化译介 · 2026-07-26 00:51

Cross-Encoder for MS Marco This model was trained on the MS Marco Passage Ranking task. The model can be used for Information Retrieval: Given a query, encode the query will all possible passages (e.g. retrieved with ElasticSearch). Then sort the passages in a decreasing order. See SBERT.net Retrieve & Re-rank for more details. The training code is available here: SBERT.net Training MS Marco Usage with SentenceTransformers The usage is easy when you have SentenceTransformers installed. Then you can use the pre-trained models like this: Usage with Transformers Performance In the following table, we provide various pre-trained Cross-Encoders together with their performance on the TREC Deep Learning 2019 and the MS Marco Passage Reranking dataset. | Model-Name | NDCG@10 (TREC DL 19) | MRR@10 (MS Marco Dev) | Docs / Sec | | ------------- |:-------------| -----| --- | | **Version 2 models** | | | | cross-encoder/ms-marco-TinyBERT-L2-v2 | 69.84 | 32.56 | 9000 | cross-encoder/ms-marco-MiniLM-L2-v2 | 71.01 | 34.85 | 4100 | cross-encoder/ms-marco-MiniLM-L4-v2 | 73.04 | 37.70 | 2500 | cross-encoder/ms-marco-MiniLM-L6-v2 | 74.30 | 39.01 | 1800 | cross-encoder/ms-marco-MiniLM-L12-v2 | 74.31 | 39.02 | 960 | **Version 1 models** | | | | cross-encoder/ms-marco-TinyBERT-L2 | 67.43 | 30.15 | 9000 | cross-encoder/ms-marco-TinyBERT-L4 | 68.09 | 34.50 | 2900 | cross-encoder/ms-marco-TinyBERT-L6 | 69.57 | 36.13 | 680 | cross-encoder/ms-marco-electra-base | 71.99 | 36.41 | 340 | **Other models** | | | | nboost/pt-tinybert-msmarco | 63.63 | 28.80 | 2900 | nboost/pt-bert-base-uncased-msmarco | 70.94 | 34.75 | 340 | nboost/pt-bert-large-msmarco | 73.36 | 36.48 | 100 | Capreolus/electra-base-msmarco | 71.23 | 36.89 | 340 | amberoad/bert-multilingual-passage-reranking-msmarco | 68.40 | 35.54 | 330 | sebastian-hofstaetter/distilbert-cat-margin_mse-T2-msmarco | 72.82 | 37.88 | 720 Note: Runtime was computed on a V100 GPU.

公开页仅展示原文摘录；完整模型卡或数据集卡请前往上游仓库查看。

适用场景

适合评估代码生成、仓库级理解、软件工程智能体和开发辅助流程。 建议先用小规模样本验证推理框架、输入输出格式和任务指标，再决定是否进入完整权重获取、量化或部署评估。

模型参数

固定版本：c5ee24cb1601。 任务标签：向量表示与检索。 语言字段：en。 架构：BertForSequenceClassification。 上游 Safetensors 元数据显示参数量约 22.71 M。 库标记：sentence-transformers。 模型类型字段：bert。 上游标注的基础模型：cross-encoder/ms-marco-MiniLM-L12-v2。 上游页面记录的最近更新时间：2025-08-29。

文件说明

上游 API 返回 23 个文件，文件元数据合计 825.17 MB。 已保存文件清单中的主要扩展名：.onnx 9 个、.json 4 个、.bin 3 个、.xml 2 个、.md 1 个、.msgpack 1 个。 当前较大的文件包括：onnx/model.onnx（86.80 MB）；onnx/model_O1.onnx（86.75 MB）；pytorch_model.bin（86.69 MB）。

上游文件元数据

以下仅为 Hugging Face 官方 API 返回的文件名与大小元数据，官网没有下载或托管这些文件。

  • .gitattributes790 B
  • config.json794 B
  • flax_model.msgpack86.65 MB
  • model.safetensors86.66 MB
  • onnx/model.onnx86.80 MB
  • onnx/model_O1.onnx86.75 MB
  • onnx/model_O2.onnx86.67 MB
  • onnx/model_O3.onnx86.67 MB
  • onnx/model_O4.onnx43.41 MB
  • onnx/model_qint8_arm64.onnx22.13 MB
  • onnx/model_qint8_avx512.onnx22.13 MB
  • onnx/model_qint8_avx512_vnni.onnx22.13 MB

硬件建议

仓库文件元数据合计 825.17 MB。 按每参数 2 字节只计算 BF16 权重，理论下限约 43.32 MB；这不包含 KV Cache、激活值、框架开销或并发余量。 实际显存与内存由精度、量化方式、上下文长度、批量、并发、MoE 专家加载方式和推理框架共同决定，不能只凭参数名或仓库大小作部署承诺；应在目标格式和目标硬件上实测。

注意事项

许可证显示为“apache-2.0”，具体用途限制、附加政策和归属要求仍以上游原文为准。 模型输出、工具调用和生成内容可能出现错误、偏见或安全风险，面向业务前应建立任务级评测、权限隔离和人工确认。

获取、校验与交付

咨询此资源时只需发送本页链接或资源准确全称。橙子AI科技会继续核对版本、文件与类型、README资料卡、许可证和访问条件，并在合法访问权限、许可证及平台规则允许的前提下，协助海内外下载、完整性校验及网盘或硬盘交付；本官网本身不托管或下载资源文件。

第三方资源声明

本页面为橙子AI科技基于固定版本上游卡片整理的中文信息与服务说明，不代表资源作者或平台官方页面。实际许可、访问和使用条件以上游原文为准。