/ Модель

Характеристики

Контекст
512 токенов
Параметры
124 млн
Лицензия
Apache 2.0
Архитектура
bert · dense
Базовая модель
paraphrase-multilingual-MiniLM-L12-v2
Библиотека
sentence-transformers
Опубликована
21 фев 2026

myX-Semantic

ЭмбеддингиТекст → embedding8 профессий

Модель DatarrX преобразует бирманские предложения и абзацы в векторы для семантического поиска, сравнения сходства и группировки текстов.

127скачиваний за 30 дней4лайкавеса обновлены1 мая 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

myX-Semantic — модель DatarrX, разработанная Khant Sint Heinn для семантического представления текстов на бирманском языке. Она кодирует предложения и абзацы в плотные векторы размерностью 768 для поиска и сравнения по смыслу, кластеризации и классификации текстов. Модель основана на sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 и дообучена методом дистилляции, чтобы приблизить представления к модели paraphrase-multilingual-mpnet-base-v2; дополнительный линейный слой преобразует исходные 384 измерения в 768.

Архитектура — BERT с усреднением токенных представлений, максимальная длина входа — 512 токенов. Модель обучалась на DatarrX/myX-Mega-Corpus и рассчитана прежде всего на текст в Unicode-кодировке бирманского языка. Для измерения сходства автор рекомендует косинусную близость; порог 0,60 приводится как ориентир, который следует проверять на собственных данных. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • семантический поиск по бирманским документам
  • сравнение смысловой близости бирманских предложений
  • кластеризация бирманских текстов по тематике
  • классификация текстов по векторным представлениям
  • поиск релевантных ответов и перефразирований на бирманском

Ограничения

Оптимизирована для бирманского текста в Unicode и может работать неточно с текстом в кодировке Zawgyi. Результаты отражают смещения обучающего корпуса; порог сходства следует проверять для конкретного применения.

Для каких профессий подходит8

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

📝 myX-Semantic: A Burmese Sentence Embedding Model

Model Description

myX-Semantic is a sentence-transformer model fine-tuned for the Burmese (Myanmar) language. It maps sentences and paragraphs into a 768-dimensional dense vector space.

This model is built using a Knowledge Distillation approach. It utilizes a paraphrase-multilingual-MiniLM-L12-v2 student architecture, which has been trained to mimic the high-dimensional output of a larger teacher model (paraphrase-multilingual-mpnet-base-v2). To ensure compatibility with the teacher's embeddings, a dedicated Dense layer was integrated to project the student's native 384-dimensions into the final 768-dimensional space.

Key Applications

  • Semantic Textual Similarity (STS): Measuring how similar two sentences are in meaning.
  • Semantic Search: Retrieving relevant documents based on intent rather than keywords.
  • Text Classification & Clustering: Grouping similar Burmese texts based on their semantic vectors.
  • Information Retrieval: Finding answers or paraphrases in large Burmese datasets.

Development & Distribution

Technical Specifications

  • Base Model: sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2
  • Max Sequence Length: 512 tokens
  • Output Dimension: 768 dimensions
  • Similarity Function: Cosine Similarity
  • Loss Function: MSELoss (Mean Squared Error)

Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': False, 'architecture': 'BertModel'})
  (1): Pooling({'word_embedding_dimension': 384, 'pooling_mode_mean_tokens': True})
  (2): Dense({'in_features': 384, 'out_features': 768, 'bias': True, 'activation_function': 'Identity'})
)

Usage

Installation

pip install -U sentence-transformers

Direct Usage (Inference)

from sentence_transformers import SentenceTransformer, util

# Load the model
model = SentenceTransformer("DatarrX/myX-Semantic")

# Define sentences
sentences = [
    "သူနှင့် ကျွန်မ ခဏ ငြိမ်နေလိုက်၏။",
    "ကျွန်တော်တို့ အတူတူ ထိုင်နေကြသည်။",
    "နည်းပညာသည် လူသားတို့အတွက် အရေးကြီးသည်။"
]

# Compute embeddings
embeddings = model.encode(sentences)

# Compute similarity scores
similarities = model.similarity(embeddings, embeddings)
print(similarities)

Implementation Guidelines (Thresholds)

When using this model for similarity detection or semantic search, the choice of a similarity threshold is crucial for balancing precision and recall. Based on empirical testing:

  • Recommended Threshold: A Cosine Similarity score of 0.60 or higher is recommended to determine a strong semantic match.
  • Comparison: Compared to lighter models (e.g., 500K-row variants), this 1M-row model exhibits higher confidence in its vector representations. While lower-capacity models might require a threshold around 0.40, myX-Semantic is optimized for a more distinctive separation at the 0.60 level.

Training Details

  • Samples: 1,000,000 training pairs.
  • Batch Size: 64
  • Learning Rate: 3e-5
  • Optimizer: AdamW with round_robin batch sampling.
  • Teacher Model: paraphrase-multilingual-mpnet-base-v2 (768-dim).

Training Logs

EpochStepTraining Loss
0.065000.0086
0.2520000.0045
0.6450000.0031
0.9675000.0028

Limitations & Bias

  • Language: This model is specifically optimized for Unicode Burmese. It may not perform accurately with Zawgyi-encoded text.
  • Data Bias: The model reflects the patterns and biases found in the myX-Mega-Corpus. Users should validate results for specific sensitive domains.

License

This model is licensed under the Apache License 2.0. You are free to use it for research and commercial purposes, provided appropriate credit is given.

Citation

If you find this model useful in your project, please cite it:

@software{khantsintheinn2026myxsemantic,
  author = {Khant Sint Heinn},
  title = {myX-Semantic: A Burmese Sentence Embedding Model},
  year = {2026},
  publisher = {DatarrX},
  url = {https://huggingface.co/DatarrX/myX-Semantic}
}

About the Author

Khant Sint Heinn, working under the name Kalix Louis, is a Machine Learning Engineer focused on Natural Language Processing (NLP), data foundations, and open-source AI development. His work is centered on improving support for the Burmese (Myanmar) language in modern AI systems by building high-quality datasets, practical tools, and scalable infrastructure for language technology.

He is currently the Lead Developer at DatarrX, where he develops data pipelines, manages large-scale data collection workflows, and helps create open-source resources for researchers, developers, and organizations. His experience includes data engineering, web scripting, dataset curation, and building systems that support real-world machine learning applications.

Khant Sint Heinn is especially interested in advancing low-resource languages and making AI more accessible to underrepresented communities. Through his open-source contributions, he works to strengthen the Burmese (Myanmar) tech ecosystem and provide reliable building blocks for future language models, search systems, and intelligent applications.

His goal is simple: to turn limited language resources into practical opportunities through clean data, useful tools, and community-driven innovation.

Connect with the Author:
GitHub | Hugging Face | Kaggle

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
BertModel
Ревизия весов
f11eff2

0 моделей