/ Модель

Характеристики

Лицензия
MIT
Архитектура
kenga-embed-v2 · dense
Библиотека
pytorch
Опубликована
11 сен 2026

kenga-embed-prophet2

Сходство предложенийТекст → score

Компактный русско-английский энкодер предложений для семантического поиска и сравнения текстов по смыслу.

22скачиваний за 30 дней0лайковвеса обновлены11 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-prophet2 — компактный русско-английский энкодер предложений проекта Kenga для получения векторных представлений и оценки семантического сходства. Модель содержит 44,2 млн параметров и построена на двунаправленном факторизованном трансформере с 8 слоями и 12 головами внимания. Она использует токенизатор SentencePiece на 16 тысяч токенов, mean pooling и формирует L2-нормализованные векторы размерности 768; контекст ограничен 512 токенами.

Модель дообучена на парах для поиска и семантического сходства: применялись InfoNCE с трудными отрицательными примерами, CoSENT и функция потерь для сохранения близости к учителю. Она предназначена для семантического поиска, извлечения релевантных фрагментов и сравнения русских и английских предложений. В README приведены результаты MTEB (rus, v1.1) по 23 задачам; авторы отмечают, что модель уступает более крупной Giga-Embeddings-instruct-480M и не превосходит USER2-small-34M по указанному среднему результату. Репозиторий содержит веса PyTorch, лицензия — MIT.

Сценарии применения

  • семантический поиск по русским документам
  • поиск релевантных фрагментов для RAG
  • сравнение сходства русских предложений
  • сопоставление русских и английских запросов с текстами
  • поиск по парам «заголовок — фрагмент статьи»

Ограничения

Контекст ограничен 512 токенами. По результатам README на MTEB (rus, v1.1) модель уступает Giga-Embeddings-instruct-480M и USER2-small-34M по приведённым средним показателям.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

kenga-embed-prophet2

44M-parameter Russian/English sentence encoder from the Kenga project. Bidirectional Z-factored transformer, SentencePiece-16k tokenizer, mean pooling, 768-d L2-normalised output, 512-token context. Prefix protocol is the FRIDA / BERTA one, so it drops into any pipeline that already uses them.

kenga-embed-prophet2 starts from kenga-embed-z2 and adds a supervised stage: InfoNCE with mined hard negatives on 80k retrieval pairs (RuBQ / MIRACL-style QA, wiki title-passage), CoSENT on 20k STS pairs, plus an anchor loss that keeps the embedding close to the teacher so the distilled knowledge is not overwritten. This is the Kenga Prophet stage: learn from verified pairs, penalise confident mistakes (hard negatives).

Official MTEB(rus, v1.1) numbers

Run with mteb==2.20.5, all splits and subsets as defined by the benchmark, no task was skipped or re-weighted. Reference columns are the models' own leaderboard submissions (embeddings-benchmark/results). 23/23 tasks done.

taskkenga-embed-prophet2Giga-Embeddings-instruct-480MBERTA-128MUSER2-small-34Mrubert-tiny-turbo-29M
GeoreviewClassification43.655.454.841.141.4
HeadlineClassification79.889.089.074.368.9
InappropriatenessClassification58.986.174.860.759.1
KinopoiskClassification59.673.067.852.250.5
MassiveIntentClassification54.285.374.066.158.0
MassiveScenarioClassification64.090.984.570.362.9
RuReviewsClassification66.776.372.360.860.7
RuSciBenchGRNTIClassification58.374.069.063.152.9
RuSciBenchOECDClassification44.759.954.849.240.8
CEDRClassification46.869.873.039.439.0
SensitiveTopicsClassification22.644.339.927.525.2
GeoreviewClusteringP2P41.873.873.866.259.7
RuSciBenchGRNTIClusteringP2P55.970.565.056.448.1
RuSciBenchOECDClusteringP2P48.658.155.648.641.1
TERRa57.079.665.754.056.3
RuBQReranking57.880.575.266.062.2
MIRACLReranking36.767.564.350.547.7
RiaNewsRetrievalHardNegatives.v235.988.984.574.552.3
RuBQRetrieval36.580.671.061.151.7
MIRACLRetrievalHardNegatives.v228.774.765.946.142.4
RUParaPhraserSTS64.578.377.869.672.1
RuSTSBenchmarkSTS70.083.682.281.078.5
STS2250.465.361.166.164.6
------------------
Classification (mean)58.976.771.259.855.0
MultilabelClassification (mean)34.757.156.533.532.1
Clustering (mean)48.867.564.857.149.6
PairClassification (mean)57.079.665.754.056.3
Reranking (mean)47.374.069.758.354.9
Retrieval (mean)33.781.473.860.648.8
STS (mean)61.675.773.772.271.7
mean over tasks51.474.269.458.553.7
mean over task types (leaderboard)48.873.167.956.552.6
tasks done2323232323

Leaderboard-style mean (average of task-type means): 48.8.

What this is and is not: a 44M model, roughly 10x smaller than Giga-Embeddings-instruct-480M, meant to be compared with the 30-40M Russian encoders (USER2-small, rubert-tiny-turbo). On the 23 finished tasks (plain mean) it scores 51.4 vs 74.2 for Giga-Embeddings-instruct-480M (+22.7 gap) and 58.5 for USER2-small-34M (-7.0). It does not beat Giga. The numbers above are the whole story; the raw result files are in mteb_results/ of the training tree.

Usage

import sys; sys.path.insert(0, "<this folder>")     # or trust_remote_code-style import after download
from modeling_kenga_embed_v2 import KengaEmbedV2HF

m = KengaEmbedV2HF.from_pretrained("<this folder>", device="cuda")   # cpu works too

q = m.encode(["??? ??????? ????? ? ????"], prefix="search_query")
d = m.encode(["????? ???? ???????? ...", "?????? ?????"], prefix="search_document")
print(q @ d.T)                       # cosine, embeddings are L2-normalised

a = m.encode(["??? ???? ?? ??????."], prefix="paraphrase")
b = m.encode(["?? ?????? ???? ?????."], prefix="paraphrase")

Prefixes ("<prefix>: <text>" is prepended for you):

useprefix
retrieval querysearch_query
retrieval documentsearch_document
STS / paraphrase (both sides)paraphrase
classification / clusteringcategorize, categorize_sentiment, categorize_topic
NLI / entailment (TERRa)categorize_entailment

Download with huggingface_hub.snapshot_download("GermannM/kenga-embed-prophet2"); the folder contains pytorch_model.bin, config.json, kenga_spm.model and the self-contained modeling_kenga_embed_v2.py (torch + sentencepiece only).

Architecture

d=768, layers=8, heads=12, dff=3072, factorised token embedding (16385 x 128 -> 768), Z-factored attention/FF projections with rank 192/512, learned positions up to 512. 44.2M parameters, fp32 checkpoint 177 MB. Checkpoint step 1000.

Training code

PyTorch trainers live in the z-system lab tree (embed_v2/: build_segments.py, teacher.py, distill.py, build_ft_data.py, mine_hard.py, finetune_prophet.py, run_mteb.py), not in the public kenga-lang repo; the recipe and the Prophet contract are documented in docs/PROPHETS.md. Trained on one GTX 1660 (6 GB).

License

MIT.

Как запустить

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

GPU в ailist

Универсальный рантайм · pytorch

Нельзя запустить

Архитектура kenga-embed-v2 неизвестна transformers в образе рантайма.

Ревизия весов
55b52c7

0 моделей