/ Модель

Характеристики

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

kenga-embed-z2

Сходство предложенийТекст → score

Компактный двуязычный энкодер предложений для создания векторов и семантического поиска на русском и английском языках.

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-z2 — компактная двуязычная модель-энкодер предложений из проекта Kenga. Она предназначена для получения векторных представлений русских и английских фраз, поиска похожих предложений и семантического поиска. Модель разработана как этап дистилляции от sergeyzh/BERTA, которая, в свою очередь, была дистиллирована от FRIDA; обучение проходило на русских и английских сегментах без разметки. Лицензия — MIT.

Модель построена на двунаправленном Z-факторизованном трансформере с 44,2 млн параметров, 8 слоями и выходными векторами размерности 768, нормализованными по L2. Используются токенизатор SentencePiece на 16 тысяч токенов, усредняющий пулинг и контекст до 512 токенов. Протокол префиксов совместим с FRIDA и BERTA, что упрощает интеграцию в соответствующие конвейеры.

По приведённым результатам MTEB(rus, v1.1) модель выполнила 23 задачи и получила среднее 52,2; в README указано, что она уступает более крупной Giga-Embeddings-instruct-480M, но превосходит USER2-small-34M по общему среднему. Карточка приводит сравнительные результаты лишь для части задач. Модель ориентирована на русский и английский языки; длина контекста ограничена 512 токенами.

Сценарии применения

  • поиск семантически похожих предложений
  • поиск документов по смыслу запроса
  • построение векторного индекса русскоязычных текстов
  • сравнение русских и английских фраз по смыслу
  • извлечение релевантных фрагментов для RAG

Ограничения

Контекст ограничен 512 токенами. По результатам README модель уступает Giga-Embeddings-instruct-480M по общему среднему MTEB(rus, v1.1); приведённые в карточке таблицы показывают только часть задач.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

kenga-embed-z2

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-z2 is the distillation stage: 30k steps of cosine + relational-KL distillation from sergeyzh/BERTA (128M, itself distilled from FRIDA) on 1.23M Russian/English segments (Wikipedia, dialogues, reviews, headlines, intents; FRIDA-style prefixes). No labels were used. The Z-factored layers follow a rank curriculum: 25% -> 50% -> 100% of the final rank during training.

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-z2Giga-Embeddings-instruct-480MBERTA-128MUSER2-small-34Mrubert-tiny-turbo-29M
GeoreviewClassification44.455.454.841.141.4
HeadlineClassification81.089.089.074.368.9
InappropriatenessClassification59.886.174.860.759.1
KinopoiskClassification60.673.067.852.250.5
MassiveIntentClassification55.185.374.066.158.0
MassiveScenarioClassification65.390.984.570.362.9
RuReviewsClassification67.276.372.360.860.7
RuSciBenchGRNTIClassification60.074.069.063.152.9
RuSciBenchOECDClassification46.359.954.849.240.8
CEDRClassification47.669.873.039.439.0
SensitiveTopicsClassification23.744.339.927.525.2
GeoreviewClusteringP2P42.773.873.866.259.7
RuSciBenchGRNTIClusteringP2P58.170.565.056.448.1
RuSciBenchOECDClusteringP2P49.558.155.648.641.1
TERRa55.079.665.754.056.3
RuBQReranking60.780.575.266.062.2
MIRACLReranking41.567.564.350.547.7
RiaNewsRetrievalHardNegatives.v234.688.984.574.552.3
RuBQRetrieval38.180.671.061.151.7
MIRACLRetrievalHardNegatives.v231.874.765.946.142.4
RUParaPhraserSTS57.878.377.869.672.1
RuSTSBenchmarkSTS65.183.682.281.078.5
STS2255.365.361.166.164.6
------------------
Classification (mean)60.076.771.259.855.0
MultilabelClassification (mean)35.657.156.533.532.1
Clustering (mean)50.167.564.857.149.6
PairClassification (mean)55.079.665.754.056.3
Reranking (mean)51.174.069.758.354.9
Retrieval (mean)34.881.473.860.648.8
STS (mean)59.475.773.772.271.7
mean over tasks52.274.269.458.553.7
mean over task types (leaderboard)49.473.167.956.552.6
tasks done2323232323

Leaderboard-style mean (average of task-type means): 49.4.

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 52.2 vs 74.2 for Giga-Embeddings-instruct-480M (+21.9 gap) and 58.5 for USER2-small-34M (-6.3). 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-z2"); 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 29000.

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
0b05a8d

0 моделей