论文页面 - 通过结构化表格发现实现多样化模型搜索

来源：https://huggingface.co/papers/2605.22766

摘要

一种结合语义检索与结构化表格检索的模型搜索系统，旨在提升推荐模型的多样性与覆盖率。

模型卡片通过文本描述与结构化工件（包括性能、配置和数据集表格）相结合的方式描述模型行为。现有的模型搜索系统主要依赖基于文本的语义相似度，这往往产生同质化的结果集，限制了替代方案的探索。我们认为模型搜索本质上是比较性的：用户需要既与任务对齐又在可量化维度上有所区分的模型。我们假设这种平衡需要基于精炼、高质量的证据（而非冗长的描述）进行检索，并且这类证据大多集中在结构化表格中。我们提出了StructuredSemanticSearch，一个基于ModelTables基准的表格驱动型模型搜索框架。给定查询，StructuredSemanticSearch将一个用于任务对齐的语义基线，与一个结构感知的流水线相结合，后者利用表格发现算子（如可并性、可连接性和关键词搜索）发现与查询相关的模型卡片表格。检索到的表格在受控的top-k预算下映射回模型卡片，从而实现基于文本与基于表格的检索之间的公平比较。除检索外，StructuredSemanticSearch还将表格集成适配到模型表格领域，通过方向感知集成，对部分重叠且有时转置的证据表格生成紧凑的集成视图。为进行评估，我们引入了一种基于nugget、可审计的协议：从模型卡片中提取紧凑的证据项，将查询匹配到特定条件或意图的nugget，并衡量检索到的模型卡片候选集中的证据覆盖度和多样性。该协议还为动态模型湖中的近似、基于证据的标注提供了一条可扩展的路径。在597条模型推荐查询上的实验表明，结构感知流水线在nugget覆盖度上优于语义基线

查看arXiv页面 (https://arxiv.org/abs/2605.22766)查看PDF (https://arxiv.org/pdf/2605.22766)GitHub0 (https://github.com/RJMillerLab/ModelSearch)添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2605.22766)

在你的代理中获取此论文：

hf papers read 2605.22766

没有最新CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用此论文的模型0

没有模型链接此论文

在模型README.md中引用arxiv.org/abs/2605.22766以在此页面链接它。

引用此论文的数据集0

没有数据集链接此论文

在数据集README.md中引用arxiv.org/abs/2605.22766以在此页面链接它。

引用此论文的Spaces0

没有Space链接此论文

在Space README.md中引用arxiv.org/abs/2605.22766以在此页面链接它。

包含此论文的收藏集0

没有包含此论文的收藏集

将此论文添加到收藏集 (https://huggingface.co/new-collection) 以在此页面链接它。