/ Модель

Характеристики

Контекст
8 194 токена
Параметры
659 млн
Лицензия
Apache 2.0
Архитектура
xlm-roberta · dense
Базовая модель
bge-m3
Библиотека
sentence-transformers
Опубликована
7 сен 2026

darmm-embed-kazakh-v2

ЭмбеддингиТекст → embedding9 профессий

Модель Darmm для построения текстовых эмбеддингов и семантического поиска на казахском языке с поиском по смыслу также на русском и английском.

264скачиваний за 30 дней1лайквеса обновлены7 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Эмбеддинги» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Darmm/darmm-embed-kazakh-v2 — модель эмбеддингов текста, разработанная Darmm для семантического поиска на казахском языке и межъязыкового поиска по смыслу на казахском, русском и английском. Она дообучена на базе BAAI/bge-m3 и использует архитектуру XLM-RoBERTa; в метаданных указаны 658,7 млн параметров и контекст до 8194 токенов. Модель предназначена для поиска документов, RAG, удаления дубликатов и кластеризации текстов. По данным README, обучение на 373 тыс. казахских пар улучшило результаты казахского поиска относительно BAAI/bge-m3 на приведённых тестовых выборках.

Модель принимает текст и возвращает векторные представления для сравнения сходства и поиска. Основной упор сделан на казахский язык, с поддержкой поиска по русским и английским текстам; лицензия — Apache 2.0.

Качество на длинных отрывках отдельно не настраивалось: обучение использовало пары длиной до 192 токенов. Межъязыковые казахско-русские пары получены автоматическим выравниванием и могут содержать шум; юридическая и медицинская терминология представлена ограниченно.

Сценарии применения

  • семантический поиск по казахским документам
  • поиск русских и английских документов по казахскому запросу
  • подбор контекста для RAG на казахском языке
  • поиск похожих текстов и удаление дубликатов
  • кластеризация казахских текстов

Ограничения

Обучение проводилось на парах длиной до 192 токенов, поэтому качество на длинных отрывках отдельно не настраивалось. Автоматически выровненные казахско-русские пары могут содержать шум, а юридическая и медицинская терминология представлена ограниченно.

Для каких профессий подходит9

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

darmm-embed-kazakh-v2

General-purpose Kazakh retrieval embedding model — semantic search, RAG, deduplication, and clustering for Kazakh text, with strong cross-lingual alignment to Russian and English (a Kazakh query finds Russian/English documents by meaning). Supersedes darmm-embedding-multilingual.

Fine-tuned from BAAI/bge-m3 (568M, 1024-dim, up to 8k tokens) on 373k Kazakh pairs from Darmm/darmm-kk-retrieval-pairs: Kazakh Wikipedia structural pairs (title↔lead, section, adjacent paragraphs), kk↔ru (WikiMatrix) and kk↔en (NLLB) parallel sentences, and Kazakh instruction QA pairs.

Evaluation

Held-out sets from the pairs dataset (never trained on). Retrieval: 6,322 article titles as queries against 6,322 lead paragraphs. Cross-lingual: match a Kazakh sentence to its translation in a 2,000-candidate pool.

metricthis modelBAAI/bge-m3darmm-embedding-multilingual (v1)
kk retrieval Recall@10.7160.6660.662
kk retrieval Recall@50.7540.7140.705
kk retrieval Recall@100.7750.7300.721
kk retrieval MRR@100.7330.6870.681
kk→ru Accuracy@10.6680.5180.546
kk→en Accuracy@10.9180.8510.855

Reproducible with eval_embed.py in this repo.

Usage

from sentence_transformers import SentenceTransformer

model = SentenceTransformer("Darmm/darmm-embed-kazakh-v2")

query = "Астанада ауа райы қандай?"
docs = [
    "Елордада бүгін күн ашық, +25 градус болады.",
    "Погода в столице сегодня солнечная.",
    "Доллар бағамы тағы өзгерді.",
]
q_emb = model.encode([query], normalize_embeddings=True)
d_emb = model.encode(docs, normalize_embeddings=True)
print((q_emb @ d_emb.T))  # cosine similarities

Training

MultipleNegativesRankingLoss (in-batch negatives, no-duplicates sampler), 1 epoch over 373k pairs, batch 32, max_seq 192, lr 2e-5 cosine with 5% warmup, bf16, single A100. Final train loss 0.137.

Limitations

  • Trained with 192-token pairs; quality on much longer passages is inherited from bge-m3 rather than tuned.
  • kk↔ru pairs come from mined alignments (WikiMatrix) and carry some noise.
  • Domain-specific jargon (legal, medical) is underrepresented in Wikipedia-based training data.

Built by Darmm · 2026-09 · Apache 2.0

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · sentence-transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
XLMRobertaModel
Ревизия весов
860b7ac

0 моделей