hanxiao

{"embeddings":[{"tensorName":"jina-embeddings-v3","tensorShape":[65,1024],"tensorPath":"https://gist.githubusercontent.com/hanxiao/67caef8946efd3c3ddbcceb8a6b08d80/raw/5c7f5e89f96344c138a64c85f0cfd12b6a076712/tensor.tsv","metadataPath":"https://gist.githubusercontent.com/hanxiao/67caef8946efd3c3ddbcceb8a6b08d80/raw/05effa699842bef7802dd12f0192fa9600ba973d/metadata.tsv"}]}

hanxiao

XiaoA 和 XiaoB 一起吃苹果
XiaoC 在吃苹果
XiaoD 在跑步
XiaoE 和朋友们一起跑步
XiaoF 在跑步
XiaoG 在睡觉
XiaoH 和 XiaoI 一起读书
XiaoJ 在读书
XiaoK 在画画
XiaoL 和家人一起玩游戏

hanxiao

{"embeddings":[{"tensorName":"jina-embeddings-v3","tensorShape":[15,1024],"tensorPath":"https://gist.githubusercontent.com/hanxiao/1dab7ef9d3e8bd0c76f5a5a668f0caff/raw/607e5dfaf548359fe19323a981cffb9e1b01c59e/tensor.tsv","metadataPath":"https://gist.githubusercontent.com/hanxiao/1dab7ef9d3e8bd0c76f5a5a668f0caff/raw/913478984ce03a40fba92712fe2836a4b3c0cc3c/metadata.tsv"}]}

hanxiao

小明和小华一起吃苹果
小明在吃苹果
小红在跑步
小明和朋友们一起跑步
小明在跑步
小芳在睡觉
小明和小刚一起读书
小明在读书
小丽在画画
小明和家人一起玩游戏

hanxiao

{"embeddings":[{"tensorName":"jina-embeddings-v3","tensorShape":[10,1024],"tensorPath":"https://gist.githubusercontent.com/hanxiao/481853ee1e3240ec28255b077a2cf3bf/raw/551ce8f279514574dc779ce50e4c6a6d74bf4d83/tensor.tsv","metadataPath":"https://gist.githubusercontent.com/hanxiao/481853ee1e3240ec28255b077a2cf3bf/raw/8a8d3b005234f76d2ea437257c8f7ecaa22c7003/metadata.tsv"}]}

hanxiao

朋友们在公园里聚在一起，享受相同的户外活动。
邻居们在社区中心形成紧密的小组，分享兴趣。
家庭成员围坐在餐桌旁，讨论共同话题。
购物者聚集在折扣区，挑选喜欢的商品。
通勤者在地铁站排队，一起等待交通。
学生们在图书馆的同一区域学习，专注于课程。
运动爱好者在健身房分区，进行类似锻炼。
工作同事在办公室角落聊天，交流工作心得。
早起跑步者形成一条路线，一同晨练。
家庭聚会中，亲戚们紧密环绕，分享回忆。

hanxiao

{"embeddings":[{"tensorName":"jina-embeddings-v3","tensorShape":[5,1024],"tensorPath":"https://gist.githubusercontent.com/hanxiao/ff16f3fdc1a67d9ce18055a9f9677788/raw/6fb6c219336cac88ef147f4541155b87799da1a9/tensor.tsv","metadataPath":"https://gist.githubusercontent.com/hanxiao/ff16f3fdc1a67d9ce18055a9f9677788/raw/c850bd6941bea7391805bd796462248f620f4cb7/metadata.tsv"}]}

hanxiao

1. 明确目标: 想让AI做什么？
2. 准备数据: 制作高质量的"教材"。
3. 选择模型: 挑选合适的"学生"。
4. 执行微调: 选择高效的"特训"方法（如LoRA + 混合精度）。
5. 评估部署: 检验成果并投入使用。

hanxiao

{"embeddings":[{"tensorName":"jina-embeddings-v3","tensorShape":[92,1024],"tensorPath":"https://gist.githubusercontent.com/hanxiao/4100cfec2947d74b8ab1de6d14f8b2df/raw/5cd69bbc72c8cdfe7aa3db8c7278d3dcabf831ac/tensor.tsv","metadataPath":"https://gist.githubusercontent.com/hanxiao/4100cfec2947d74b8ab1de6d14f8b2df/raw/c124af08b395e0b83ec47447ac88f1b8e795a529/metadata.tsv"}]}

hanxiao

Model card
Files and versions
xet
Community
110
编辑模型卡片
all-MiniLM-L6-v2
这是一个 sentence-transformers 模型：它将句子和段落映射到 384 维的密集向量空间中，可用于聚类或语义搜索等任务。
使用（Sentence-Transformers）
当你安装了 sentence-transformers 后，使用这个模型就变得很容易：