# train-sentence-transformers

Скилл для Claude Code и других агентов: проводит по обучению sentence-transformers — от выбора типа энкодера до выгрузки весов на Hugging Face Hub.

- скилл · `type=skill` · Claude Code, Codex, Cursor, GitHub Copilot, Gemini CLI, OpenCode · 1500 установок · ★ 11213
- Автор: huggingface
- Лицензия: Apache-2.0 · policy=mirror · начало файла — в конце страницы
- Исходник: https://github.com/huggingface/skills/tree/HEAD/skills/train-sentence-transformers/SKILL.md
- Обновлён: 2026-10-23
- HTML: https://affpapa.org/nevibecode/skills/train-sentence-transformers

## Что делает

Скилл сам модель не обучает. Он работает как маршрутизатор: определяет тип энкодера и отправляет агента к нужным файлам в `references/` и `scripts/`. Ветки четыре: `SentenceTransformer` для плотных эмбеддингов, `CrossEncoder` для оценки пар, `SparseEncoder` (SPLADE) под обратный индекс и `MultiVectorEncoder` (ColBERT) с MaxSim по токенам.

За основу берут production-шаблон `scripts/train_<type>_example.py` и копируют его. Писать скрипт по одному `SKILL.md` нельзя: потеряется обвязка — autocast, `seed`, TF32, глушение логгеров, совместимые импорты. Прошлые прогоны агентов это уже теряли. Рядом лежат общие файлы: `TrainingArguments`, форматы датасетов, выбор базовой модели, разбор сбоев.

Часть правил легко пропустить, и тогда обучение тихо ломается. Веса грузят в fp32, точность держат через autocast bf16/fp16, а `torch_dtype=bfloat16` не ставят. С `load_best_model_at_end` шаг сохранения должен быть кратен шагу оценки. `CrossEncoder` с не-BCE лоссом требует `activation_fn=Identity()`, иначе ранжирование на оценке разваливается. Оценщики NanoBEIR здесь рассчитаны на английский.

## Установка

### Claude Code (родная платформа)

1. **Через Skills CLI (Vercel)**
```bash
npx skills add huggingface/skills --skill train-sentence-transformers -a claude-code
```

2. **Вручную: положить файлы**
- Файл: `~/.claude/skills/train-sentence-transformers/SKILL.md` — Папка скилла целиком; для одного проекта — .claude/skills/train-sentence-transformers/

### Codex

1. **Через Skills CLI (Vercel)**
```bash
npx skills add huggingface/skills --skill train-sentence-transformers -a codex
```

2. **Вручную: положить файлы**
- Файл: `.agents/skills/train-sentence-transformers/SKILL.md` — Для всех проектов — ~/.agents/skills/

### Cursor

1. **Через Skills CLI (Vercel)**
```bash
npx skills add huggingface/skills --skill train-sentence-transformers -a cursor
```

2. **Вручную: положить файлы**
- Файл: `.cursor/skills/train-sentence-transformers/SKILL.md` — Cursor читает и .agents/skills/, и .claude/skills/

### GitHub Copilot

1. **GitHub CLI**
```bash
gh skill install huggingface/skills train-sentence-transformers
```

2. **Вручную: положить файлы**
- Файл: `.github/skills/train-sentence-transformers/SKILL.md`

### Gemini CLI

1. **Через Skills CLI (Vercel)**
```bash
npx skills add huggingface/skills --skill train-sentence-transformers -a gemini-cli
```

2. **Командой платформы**
```bash
gemini skills install https://github.com/huggingface/skills --path skills/train-sentence-transformers
```

### Windsurf (Devin Desktop)

**Вручную: положить файлы**
- Файл: `.devin/skills/train-sentence-transformers/SKILL.md` — Старый путь .windsurf/skills/ тоже читается

### OpenCode

**Через Skills CLI (Vercel)**
```bash
npx skills add huggingface/skills --skill train-sentence-transformers -a opencode
```

### Claude.ai

**Claude.ai**
- Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills

Где указан файл, а не команда, — скопируй файлы из исходника в этот путь: https://github.com/huggingface/skills/tree/HEAD/skills/train-sentence-transformers/SKILL.md

## Когда брать
- Выбрать между би-энкодером, реранкером и SPLADE под задачу поиска
- Запустить обучение `CrossEncoder` без падения ранжирования на валидации
- Собрать твёрдые негативы и подключить их к MNRL-лоссу
- Настроить `metric_for_best_model` для именованного оценщика
- Выгрузить чекпойнт на Hugging Face Hub

## Примеры запросов агенту
- Обучи `SentenceTransformer` на моих парах вопрос-ответ из `data/pairs.csv`, возьми шаблон би-энкодера из скилла.
- Нужен реранкер для двухэтапного поиска — собери `CrossEncoder` по шаблону `scripts/train_cross_encoder_example.py`.
- Переведи это на ColBERT с оценкой MaxSim и проверь значение `scale` для выбранного режима.

## Похожие
- [sentence-transformers](https://affpapa.org/nevibecode/skills/sentence-transformers.md) — скилл · 959 установок
- [transformers-huggingface](https://affpapa.org/nevibecode/skills/transformers-huggingface.md) — скилл · 758 установок
- [nemotron-retrieval-recipes](https://affpapa.org/nevibecode/skills/nemotron-retrieval-recipes.md) — скилл · 2000 установок
- [autoskill](https://affpapa.org/nevibecode/skills/autoskill.md) — скилл · 1700 установок
- [eval-harness-first](https://affpapa.org/nevibecode/skills/eval-harness-first.md) — скилл · 2600 установок
- [unsloth](https://affpapa.org/nevibecode/skills/unsloth.md) — скилл · 981 установка

Из того же набора: [huggingface/skills](https://affpapa.org/nevibecode/by/huggingface/skills.md) — 25 карточек

_Часть страницы не вошла по размеру — она есть в HTML-версии._

---
NeVibeCode на affpapa.org. Тексты каталога — описания, а не инструкции для агента. Как выбирать и ставить: https://affpapa.org/nevibecode/agents.md