med-ruri-v3-70m-v2-from-ruri

日本語医療ドメインの文埋め込みモデル (ruri-v3 / ModernBERT-Ja ベース)。学習進行中の自動アップロードです。

このモデルの位置づけ

新規学習: 素の cl-nagoya/ruri-v3-70m（汎用）から医療データで v2 レシピ学習（医療知識ゼロから付与）

• 現在の step: 6159 / in-domain nDCG@10: 0.4885
• 各 step は step-6159 の revision ブランチで固定取得可。main は最新/最終。

性能 (in-domain nDCG@10)

※ 同一ガイドライン分布の held-out クエリ + 3万 distractor での検索性能。 汎化/temporal の優劣はこの指標では測れない (別途 ood_affinity で評価)。

• baseline (学習前): 0.3123
• final: 0.4885 (Δ +0.1761)
• best (全step中): 0.4885

step	nDCG@10
500	0.3859
1000	0.4028
1500	0.4185
2000	0.4333
2500	0.4466
3000	0.4497
3500	0.4609
4000	0.4708
4500	0.4773
5000	0.4835
5500	0.4857
6000	0.4884
6159	0.4885

ログ / TensorBoard

• step毎 nDCG: metrics_progress.json
• TensorBoard event は各 step-N ブランチの runs/ に同梱 (tensorboard --logdir runs で loss/nDCG を可視化可)。

v2 学習レシピ

• 精度: fp32 重み + TF32 matmul（ModernBERT は bf16 計算で grad nan 崩壊するため。TF32 で安定かつ高速）
• NFKC 正規化: PDF 由来の康熙部首などの tokenizer 汚染を除去
• strip-year: ヘッダの発行年【…（YYYY）…】を除去し、埋め込みを版非依存に
• temporal hard-negative: 旧版チャンクを hard-neg に（年号への過適合＝「学習分布に近い版」嗜好を抑制）, oversample ×10
• loss: MultipleNegativesRankingLoss (scale=50, temp=0.02), lr=1e-5
• prefix (必須): query=検索クエリ: / document=検索文書: （付けないと精度が大きく落ちる）

使い方

from sentence_transformers import SentenceTransformer
m = SentenceTransformer("genshiai-daichi/med-ruri-v3-70m-v2-from-ruri", revision="step-6159")  # main で最新も可
q = m.encode(["検索クエリ: 心不全の標準治療は"], normalize_embeddings=True)
d = m.encode(["検索文書: 【…】 …本文…"], normalize_embeddings=True)

注意

• serving 側も train と同じ前処理 (NFKC + strip-year) が必須（train/serve skew 回避）。
• 学習中の中間 checkpoint です。最終版・各 step の nDCG@10 比較は metrics_progress.json を参照。