/ Модель

Характеристики

Контекст
514 токенов
Параметры
305 млн
Лицензия
MIT
Архитектура
xlm-roberta · dense
Базовая модель
multilingual-e5-base
Библиотека
sentence-transformers
Опубликована
13 авг 2026

DUSUNEN-Atlas-278M-v1

ЭмбеддингиТекст → embedding9 профессий

Турецкая модель эмбеддингов на основе multilingual E5 для семантического поиска и сопоставления запросов с документами с настраиваемой размерностью векторов.

27скачиваний за 30 дней3лайкавеса обновлены13 авг 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

DUSUNEN Atlas 278M v1 — модель эмбеддингов, разработанная Göktuğ Düşünen как дообучение intfloat/multilingual-e5-base для поиска на турецком языке. Она построена на XLM-RoBERTa и преобразует запросы и документы в векторы для семантического поиска, извлечения информации и сравнения предложений. Для запросов используется префикс «query: », для документов — «passage: ». Контекст модели — 514 токенов; в README для обучения указана длина последовательности 256 токенов.

Модель обучена на 50 000 турецких триплетов с трудными отрицательными примерами с использованием Matryoshka Representation Learning. При инференсе можно выбирать размерность эмбеддингов 768, 512, 384, 256, 128 или 64, что позволяет уменьшить объём векторного индекса. На проверочной выборке из 2 000 примеров авторы сообщают точность 94,75% для 128 измерений против 92,65% у усечённой базовой модели; это результат только для внутридоменной проверки, а не оценка на широком бенчмарке. Модель распространяется под лицензией MIT.

Сценарии применения

  • семантический поиск по документам на турецком языке
  • поиск релевантных документов по запросам на турецком языке
  • сопоставление турецких предложений по смыслу
  • создание компактного векторного индекса для турецкого поиска

Ограничения

Оценка ограничена внутридоменной проверкой на турецких триплетах с трудными отрицательными примерами; качество на других языках может отличаться. Кодирование без префиксов не проверялось, а пороги сходства следует калибровать для каждого приложения.

Для каких профессий подходит9

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

DUSUNEN Atlas 278M v1

One Turkish retrieval model, six useful embedding sizes. This model adapts intfloat/multilingual-e5-base with Matryoshka Representation Learning on 50,000 curated Turkish hard-negative triplets. Applications can select 768, 512, 384, 256, 128, or 64 dimensions at inference time without training or storing a second model.

The practical target is a smaller vector index: 128-dimensional float32 vectors use 83.3% less storage than 768-dimensional vectors, while improving held-out hard-negative triplet accuracy from 92.65% to 94.75% over the truncated base model.

Measured dimension sweep

All rows use the same 2,000-example held-out validation split and cosine similarity. The base and fine-tuned model were evaluated with identical E5 query/passage prefixes.

DimensionsBase accuracyAtlas accuracyGainFloat32 bytes/vectorIndex reduction
76895.25%95.50%+0.25 pp3,0720%
51295.30%95.65%+0.35 pp2,04833.3%
38495.05%95.35%+0.30 pp1,53650.0%
25694.15%95.00%+0.85 pp1,02466.7%
12892.65%94.75%+2.10 pp51283.3%
6488.75%92.50%+3.75 pp25691.7%

These are held-out in-domain triplet results, not a claim of state of the art. Broader Turkish MTEB evaluation is planned. Machine-readable results are in dimension-sweep.json.

Usage

from sentence_transformers import SentenceTransformer

model = SentenceTransformer(
    "GoktugD/DUSUNEN-Atlas-278M-v1",
    truncate_dim=128,
)

queries = ["query: Türkiye'nin başkenti neresidir?"]
passages = [
    "passage: Türkiye'nin başkenti Ankara'dır.",
    "passage: İstanbul Türkiye'nin en kalabalık şehridir.",
]

query_embeddings = model.encode(queries, normalize_embeddings=True)
passage_embeddings = model.encode(passages, normalize_embeddings=True)
scores = query_embeddings @ passage_embeddings.T
print(scores)

Use the query: prefix for queries and passage: for documents. Apply the same truncate_dim to both sides. Recommended operating points:

  • 128 dimensions: best storage/quality balance for large indexes.
  • 256 dimensions: conservative production default.
  • 768 dimensions: maximum measured held-out accuracy.
  • 64 dimensions: extremely compact indexes and edge experiments.

Training

  • Base revision: d128750597153bb5987e10b1c3493a34e5a4502a
  • Data: 50,000 training and 2,000 held-out Turkish hard-negative triplets
  • Loss: cached multiple-negatives ranking loss wrapped by Matryoshka loss
  • Dimensions: 768, 512, 384, 256, 128, 64
  • Effective batch size: 64
  • Sequence length: 256
  • Epochs: 1
  • Precision: bfloat16
  • Seed: 3407
  • Hardware: one NVIDIA GeForce RTX 3090 24 GB
  • Training time: 2,039 seconds
  • Peak memory allocated by the training process: 2.475 GiB

Exact hyperparameters are available in training_config.yaml; the recorded environment is in training_environment.json.

Limitations

  • Evaluation here is limited to an in-domain held-out hard-negative split.
  • Training data is Turkish retrieval data; quality on other languages may differ from the multilingual base model.
  • Prefix-free encoding was not evaluated.
  • Similarity thresholds should be calibrated for each application.

Reproducibility and integrity

The published model.safetensors SHA-256 is:

66c65d4109a646d3f8a6dc6c19b20efda4d9c5ed9cd5054386812da0d6b263dd

Developed and released by Göktuğ Düşünen.

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
XLMRobertaModel
Ревизия весов
e17dbb1

0 моделей