Характеристики

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

Ссылки

Hugging Face

kenga-embed-z

GermannM

Сходство предложенийТекст → score

Русско-английская модель эмбеддингов для сопоставления предложений и поиска по смыслу.

20скачиваний 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-z — русско-английская плотная модель эмбеддингов семейства Kenga-Embed, представленная автором GermannM. Это более ранний вариант Z без инструктивного режима; README описывает его как замороженный чекпойнт с последовательностью длиной 96. Модель кодирует запросы и документы без префикса Giga instruct, чтобы сравнивать их по смысловой близости и использовать для поиска.

Автор приводит результаты на собственном наборе отложенных примеров: 12/12 для английского и 11/12 для русского; на RuSTS указана оценка 0,3723. Эти результаты не являются оценкой ruMTEB и сами по себе не подтверждают качество на широком круге задач. Модель распространяется под лицензией MIT; метаданные указывают формат PyTorch.

Сценарии применения

семантический поиск по русским документам
поиск релевантных текстов по запросу на английском
сравнение смысловой близости двух предложений
поиск соответствий между русскими и английскими фразами

Ограничения

Не добавляйте к текстам префикс Giga instruct: этот чекпойнт предназначен для кодирования исходного текста без инструктивного шаблона. Указанные результаты получены на небольшом авторском holdout-наборе и не представляют собой оценку ruMTEB.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

kenga-embed-z

Older non-instruct Z-Embed, seq 96. Best handmade-holdout file we still have for Z (12/12 EN, 11/12 RU).

Do not apply the Giga instruct prefix to this checkpoint. Encode raw UTF-8 bytes.

from modeling_kenga_embed import KengaEmbed
m = KengaEmbed.from_pretrained("GermannM/kenga-embed-z")
# instruct=false in config
q = m.encode_queries(["Where is the capital of Russia?"])  # raw
d = m.encode_documents(["Moscow is the capital of Russia."])

Holdout (not ruMTEB): EN 1.000, RU 0.917, miss = Russian H2O.

RuSTS on this file (same weights, 2026-09-02, no instruct): 0.3723.

Later Z last weights are instruct+seq160 and currently lose the holdout if you mix templates. This upload is the frozen best.

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: bc7dd2a