SciBERT (scivocab uncased)

EmbeddingsNav pieejams

no Communityscibert-scivocab-uncased

AllenAI BERT-base pretrained from scratch on 1.14M scientific papers (mostly biomedical and computer science) with its own scientific WordPiece vocabulary. Used as a feature extractor it gives 768-dim contextual embeddings tuned to scientific text, outperforming general BERT on tasks like NER and relation extraction in research corpora.

Skatīt alternatīvas Salīdzināt

Statuss: Nav pieejams
Konteksts: 512 marķieri
Ievade → Izvade: Teksts → Vektors
Izstrādātājs: Community
Atjaunināts: 2026. gada 23. septembris

SciBERT (scivocab uncased) pašlaik nav pieejams

Jūs joprojām varat lasīt detaļas šajā lapā. Izvēlieties vienu no pieejamajām alternatīvām zemāk, lai uzreiz palaistu salīdzināmu modeli.

Uz alternatīvām

Salīdzināmi modeļi

Visi šajā kategorijā

OpenAI text-embedding-3-largeOpenAI
OpenAI's highest-quality embedding model. Returns 3072-dim vectors by default and supports reducing dimensions via the dimensions parameter. Outperforms text-embedding-3-small and the older ada-002 on MTEB and multilingual MIRACL retrieval benchmarks, for cases where accuracy matters more than cost.
0,156 $/1M ievade
Salīdzināt SciBERT (scivocab uncased) un OpenAI text-embedding-3-large
OpenAI text-embedding-3-smallOpenAI
OpenAI's small, low-cost embedding model. Returns 1536-dim vectors by default and supports shortening output dimensions via the dimensions parameter without retraining. Replaced text-embedding-ada-002 with better retrieval quality at a fraction of the price, and is the default choice for general-purpose semantic search and RAG.
0,024 $/1M ievade
Salīdzināt SciBERT (scivocab uncased) un OpenAI text-embedding-3-small

Spēļu laukums

Izmēģiniet SciBERT (scivocab uncased)

Ievade un rezultāts

Pašlaik nav pieejams

Pašlaik nav pieejams.

Spēļu laukums ir atspējots. Salīdzināmus modeļus varat atrast vienā kategorijā: Skatīt alternatīvas

Text

0 / 4000

Scientific text to embed

Salīdzināt ar (neobligāti)

Palaiž modeli divas reizes (norēķināts divas reizes).

⌘/Ctrl + Enter

Rezultāts

Vektors parādīsies šeit.

Šis palaišanas gadījums

Nav cenas – pašlaik nav pieejams.

Jauns šeit?

10 bezmaksas kredīti (0,10 $), reģistrējies ar Google

Pieejams 24 stundas pēc reģistrācijas, līdz 5 palaišanas gadījumi dienā un maksimāli 2 kredīti uz palaišanas gadījumu. Citas pierakstīšanās metodes sākas bez kredītiem.

Par SciBERT (scivocab uncased)

ĪsumāUz 2026. gada 23. septembris

SciBERT (scivocab uncased) ir Community modelis kategorijā Embeddings. SciBERT (scivocab uncased) pašlaik nav pieejams Railwail platformā. Konteksta logs satur 512 žetonus.

SciBERT is a BERT-base model trained on a large corpus of full-text scientific papers from Semantic Scholar. Unlike vanilla BERT it uses scivocab, a WordPiece vocabulary built directly from scientific text, which improves token coverage for domain terminology. This scivocab-uncased checkpoint is the most downloaded variant. Through the Hugging Face feature-extraction pipeline it returns token-level hidden states; mean-pool or take the [CLS] vector for sentence or document embeddings in scientific search and classification pipelines.

Cenas

Pašlaik nav pieejams. Šim modelim pašlaik nav cenas, tāpēc to nevar palaist.

API

Izsauciet SciBERT (scivocab uncased) ar savu Railwail API atslēgu. Izmantojiet šo modeļa ID pieprasījumā:

scibert-scivocab-uncasedAPI dokumentācija Iegūt API atslēgu

Pašlaik nav pieejams

Modelim nav pārbaudītas cenas vai tas ir deaktivizēts; API izsaukumi tiek noraidīti.

Specifikācijas

Modeļa ID: scibert-scivocab-uncased
Izstrādātājs: Community
Kategorija: Embeddings
Ievade: Teksts
Izvade: Vektors
Konteksta logs: 512 marķieri
Kataloga ieraksts atjaunināts: 2026. gada 23. septembris

Ievades parametri

Ievades un iestatījumi no modeļa ievades shēmas. Piemērs API sadaļā parāda, kurus no tiem API pieņem.

ParametrsTipsNoklusējumsAtļautās vērtības

inputsobligāts
Scientific text to embed
Tips: Teksts
Noklusējums: –
Atļautās vērtības: līdz 4000 rakstzīmēm

Tagi

science
embedding
research
huggingface
scibert
allenai
biomedical
bert

Lietošanas gadījumi

Saistītie ceļveži

Embedding Models for Search & Science

Visi modeļi: Embeddings

Bieži uzdotie jautājumi

Kas ir SciBERT (scivocab uncased)?

SciBERT (scivocab uncased) ir Community izstrādāts modelis Embeddings kategorijā. Tas ir uzskaitīts Railwail katalogā, bet pašlaik to nevar palaist.

Cik maksā SciBERT (scivocab uncased) Railwail?

SciBERT (scivocab uncased) pašlaik nevar tikt palaists Railwail, tāpēc nav pašreizējās cenas. Pieejamās alternatīvas ar cenām ir norādītas tālāk šajā lapā.

Kāds ir SciBERT (scivocab uncased) konteksta logs?

SciBERT (scivocab uncased) konteksta logs satur 512 žetonus.

Cik ātrs ir SciBERT (scivocab uncased)?

Railwail platformā SciBERT (scivocab uncased) vēl nav pietiekami daudz izmērītu izpilžu, lai norādītu izpildes laiku. Tas ir atkarīgs no ievades, iestatījumiem un sniedzēja slodzes.

Vai SciBERT (scivocab uncased) ir labāks par OpenAI text-embedding-3-large?

Tas ir atkarīgs no uzdevuma. SciBERT (scivocab uncased) (Community) un OpenAI text-embedding-3-large (OpenAI) ir abi modeļi Embeddings kategorijā. Salīdzināšanas lapā to cenas un specifikācijas ir parādītas blakus.

Salīdzināt SciBERT (scivocab uncased) un OpenAI text-embedding-3-large

Vai es varu izmantot SciBERT (scivocab uncased) tieši tagad?

Pašlaik nav pieejams. Lapa paliek tiešsaistē; pieejamās alternatīvas no vienas kategorijas ir norādītas tālāk.

Visi modeļi caur vienu API

Viena API atslēga visiem Railwail modeļiem. Izmantošana tiek aprēķināta no iepriekš apmaksātiem kredītiem, 1 kredīts = 0,01 $.

Iegūt API atslēgu Skatīt visus modeļus