/ Модель

Характеристики

Лицензия
MIT
Архитектура
kenga-embed · dense
Библиотека
pytorch
Опубликована
3 сен 2026

kenga-embed-prophet-instruct

Сходство предложенийТекст → score

Компактный русско-английский байтовый энкодер для поиска по смыслу и сравнения сходства предложений.

21скачиваний за 30 дней0лайковвеса обновлены3 сен 2026

Бенчмарки

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

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

kenga-embed-prophet-instruct — компактный двунаправленный байтовый энкодер Kenga-Embed от GermannM для построения векторных представлений и сравнения предложений. Модель содержит около 42 млн параметров, обрабатывает UTF-8-байты и ограничена последовательностями длиной 160. Архитектура включает 8 слоёв, 12 голов внимания, размерность 768 и mean pooling с линейным преобразованием.

Модель предназначена для поиска по запросу и документам, а также для оценки семантического сходства текстов. В сценарии retrieval инструкционный префикс применяется только к запросу; для сравнения пар предложений — к обеим сторонам. Это энкодер, а не чат-модель: он выдаёт представления для сопоставления, а не текстовые ответы. В README приведены небольшие внутренние измерения на английских и русских примерах и результат на тестовой выборке RuSTSBenchmarkSTS; полный набор MTEB (rus) не запускался.

Модель работает с русским и английским языками. Репозиторий содержит веса PyTorch и распространяется по лицензии MIT. README отмечает ограничения качества на отдельных примерах и то, что модель уступает более крупной Giga-Embeddings на указанном тесте RuSTSBenchmarkSTS.

Сценарии применения

  • поиск документов по текстовому запросу
  • семантическое сравнение двух предложений
  • ранжирование текстов по близости к запросу
  • построение эмбеддингов русских и английских фраз

Ограничения

Последовательность ограничена 160 позициями; по результатам README модель уступает Giga-Embeddings на тестовой выборке RuSTSBenchmarkSTS. Полный набор MTEB (rus) не оценивался, а опубликованные внутренние измерения на небольшом наборе примеров не заменяют полноценный бенчмарк.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

kenga-embed-prophet-instruct

42M bidirectional UTF-8 byte encoder (seq 160). Instruct prefix matches Giga-Embeddings: query only for retrieval, both sides for STS.

This is not Giga-480M and not a chat model. It does not write replies.

How to encode (same protocol as Giga instruct)

import torch
from modeling_kenga_embed import KengaEmbed

m = KengaEmbed.from_pretrained("GermannM/kenga-embed-prophet-instruct")

# retrieval
q = m.encode_queries(["Where is the capital of Russia?"])
d = m.encode_documents(["Moscow is the capital of Russia."])
print(float((q * d).sum(-1)))

# STS / paraphrase
a = m.encode_sts(["Кот сидит на коврике."])
b = m.encode_sts(["Кошка лежит на ковре."])

Prefixes baked into the loader:

  • retrieval query: Instruct: Given a query, retrieve relevant passages\nQuery:
  • documents: raw text
  • STS: Instruct: Retrieve semantically similar text.\nQuery: on both sentences

Do not skip the prefix. Scoring z_embed.pt with this template is wrong.

Numbers we measured (2026-09-03)

Handmade holdout, 12 EN + 12 RU triples in embed_holdout.json. Not ruMTEB.

modelENRUmean
Giga-Embeddings-instruct-480M0.833 (10/12)0.917 (11/12)0.875
this file0.833 (10/12)1.000 (12/12)0.917

Prophet misses on that set: Anna Karenina (Leo Strauss trap), H2O vs H2O2.

RuSTSBenchmarkSTS test (1264 pairs, cosine Spearman), CPU, this folder:

0.4416 (was 0.3583 before instruct+STS train). Still far from Giga.

Giga on the same split: 0.8033. A 42M byte encoder is not expected to win STS. Full MTEB(rus, v1) was not run here (pytrec_eval missing in the train env). Please run the official suite yourselves.

Architecture

D=768, L=8, heads=12, dff=3072, V=256 bytes, rank 192/512. Mean-pool + linear. ~42M params. Checkpoint acc_en=0.833 acc_ru=1.0, step 10400.

License

MIT. Train code lives in the kenga-lang / z-system tree, not in this repo.

Как запустить

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

GPU в ailist

Универсальный рантайм · pytorch

Нельзя запустить

Архитектура kenga-embed неизвестна transformers в образе рантайма.

Класс архитектуры
KengaEmbedEnc
Ревизия весов
8116e74

0 моделей