/ Модель

Характеристики

Контекст
131 072 токена
Параметры
494 млн
Лицензия
MIT
Архитектура
qwen2 · dense
Опубликована
23 окт 2024

KaLM-embedding-multilingual-mini-instruct-v1

ЭмбеддингиТекст → embedding10 профессий

Мультиязычная модель эмбеддингов на базе Qwen2 для поиска по смыслу и сравнения сходства текстов.

310скачиваний за 30 дней33лайкавеса обновлены13 мар 2025

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 оценки31

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

  • MassiveScenarioClassification

    main_score

    Результат

    0,5201

    Общий результат 0,6589Общий результат 0,6212
    MTEB

    Публичная таблицадругая ревизия

  • MultiEURLEXMultilabelClassification

    main_score

    Результат

    0,0404

    MTEB

    Публичная таблицадругая ревизия

  • StackExchangeClusteringP2P.v2

    main_score

    Результат

    0,3999

    MTEB

    Публичная таблицадругая ревизия

  • ThuNewsClusteringP2P

    main_score

    Результат

    0,6293

    MTEB

    Публичная таблицаревизия не подтверждена

  • LEMBPasskeyRetrieval

    main_score

    Результат

    0,88

    MTEB

    Публичная таблицадругая ревизия

  • WikipediaRetrievalMultilingual

    main_score

    Результат

    0,8111

    Общий результат 0,8806Общий результат 0,7543
    MTEB

    Публичная таблицадругая ревизия

  • SwednRetrieval

    main_score

    Результат

    0,4278

    MTEB

    Публичная таблицадругая ревизия

  • NusaX-senti

    main_score

    Результат

    0,7988

    MTEB

    Публичная таблицадругая ревизия

  • Tatoeba

    main_score

    Результат

    0,6711

    Общий результат 0,2996
    MTEB

    Публичная таблицадругая ревизия

  • FinancialPhrasebankClassification

    main_score

    Результат

    0,8022

    MTEB

    Публичная таблицадругая ревизия

  • MassiveIntentClassification

    main_score

    Результат

    0,3741

    Общий результат 0,6119
    MTEB

    Публичная таблицадругая ревизия

  • MultiHateClassification

    main_score

    Результат

    0,6297

    MTEB

    Публичная таблицадругая ревизия

  • FiQA2018

    main_score

    Результат

    0,4502

    MTEB

    Публичная таблицаревизия не подтверждена

  • MIRACLReranking

    main_score

    Результат

    0,4088

    MTEB

    Публичная таблицадругая ревизия

  • MLQARetrieval

    main_score

    Результат

    0,4201

    Общий результат 0,6362Общий результат 0,5967Общий результат 0,3575
    MTEB

    Публичная таблицадругая ревизия

  • XNLI

    main_score

    Результат

    0,8609

    MTEB

    Публичная таблицадругая ревизия

  • STS17

    main_score

    Результат

    0,7191

    MTEB

    Публичная таблицаревизия не подтверждена

  • SIB200ClusteringS2S

    main_score

    Результат

    0,1435

    Общий результат 0,3382Общий результат 0,228Общий результат 0,1944
    MTEB

    Публичная таблицадругая ревизия

  • RuReviewsClassification

    main_score

    Результат

    0,6824

    MTEB

    Публичная таблицаревизия не подтверждена

  • IndicGenBenchFloresBitextMining

    main_score

    Результат

    0,7811

    Общий результат 0,9813Общий результат 0,9525Общий результат 0,9443
    MTEB

    Публичная таблицадругая ревизия

  • AmazonReviewsClassification

    main_score

    Результат

    0,4433

    MTEB

    Публичная таблицадругая ревизия

  • AmazonCounterfactualClassification

    main_score

    Результат

    0,7158

    MTEB

    Публичная таблицадругая ревизия

  • VABBClusteringS2S

    main_score

    Результат

    0,3621

    MTEB

    Публичная таблицадругая ревизия

  • MultilingualSentiment

    main_score

    Результат

    0,7808

    MTEB

    Публичная таблицаревизия не подтверждена

  • PAC

    main_score

    Результат

    0,648

    MTEB

    Публичная таблицаревизия не подтверждена

  • CodeEditSearchRetrieval

    main_score

    Результат

    0,5027

    Общий результат 0,4916
    MTEB

    Публичная таблицадругая ревизия

  • NorwegianParliamentClassification

    main_score

    Результат

    0,5609

    MTEB

    Публичная таблицадругая ревизия

  • PublicHealthQA

    main_score

    Результат

    0,8213

    MTEB

    Публичная таблицадругая ревизия

  • CQADupstackStats-NL

    main_score

    Результат

    0,1589

    MTEB

    Публичная таблицадругая ревизия

  • XQuADRetrieval

    main_score

    Результат

    0,8525

    MTEB

    Публичная таблицадругая ревизия

  • CUREv1

    main_score

    Результат

    0,3803

    MTEB

    Публичная таблицадругая ревизия

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

KaLM-embedding-multilingual-mini-instruct-v1 — мультиязычная модель эмбеддингов из серии KaLM-Embedding, разработанной командой HIT-TMG. Она дообучена на базе Qwen/Qwen2-0.5B с использованием масштабного слабонаблюдаемого предварительного обучения и обучения с учителем. Модель предназначена для преобразования текстов в векторы, оценки сходства предложений и поиска по смыслу; версия instruct рассчитана на сценарии, где запросы и инструкции помогают уточнить задачу.

Модель содержит около 494 млн параметров, использует плотную архитектуру Qwen2 и формат весов safetensors. Заявленная длина контекста — 131 072 токена. В README приведены оценки серии KaLM-Embedding на наборах C-MTEB и MTEB, а также сравнение с другими моделями эмбеддингов. Лицензия — MIT. Для запуска авторы рекомендуют transformers версии 4.37.0 или новее.

Сценарии применения

  • поиск документов по смыслу пользовательского запроса
  • ранжирование текстовых фрагментов по релевантности
  • поиск похожих предложений и документов
  • подбор соответствующих текстов для систем RAG

Ограничения

В README не раскрыты языки и обучающие данные по языкам, а сами обучающие данные не опубликованы. Для совместимости с архитектурой Qwen2 авторы рекомендуют transformers версии 4.37.0 или новее.

Для каких профессий подходит10

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

KaLM-Embedding is a series of embedding models adapted from auto-regressive LLMs with superior training data.

KaLM-embedding-multilingual-mini is trained from Qwen/Qwen2-0.5B with massive weakly-supervised pre-training and supervised fine-tuning data.

📑 Open-source Plan

Evaluation

Model NameModel SizeC-MTEB(35)MTEB(56)avg
multilingual-e5-large560M58.8161.560.16
bge-m3 (dense)560M60.8059.8460.32
gte-multilingual-base (dense)305M62.7261.4062.06
KaLM-embedding-multilingual-mini-v1494M62.3161.8762.09
KaLM-embedding-multilingual-mini-instruct-v1494M63.5764.7464.16
KaLM-embedding-multilingual-mini-instruct-v1.5494M64.1364.9464.53

Requirements

Since we have used the Qwen2 model, we advise you to install transformers>=4.37.0, or you might encounter the following error:

KeyError: 'qwen2'

Usage

Using this model becomes easy when you have sentence-transformers installed:

pip install -U sentence-transformers

Then you can use the model like this:

from sentence_transformers import SentenceTransformer


sentences = ["This is an example sentence", "Each sentence is converted"]

model = SentenceTransformer('{MODEL_NAME_OR_PATH}')   # Do NOT set trust_remote_code
model.max_seq_length = 512

embeddings = model.encode(
    sentences, 
    normalize_embeddings=True,
    batch_size=256, 
    show_progress_bar=True
    )
print(embeddings)

We add instruction for classification and clustering. If you want to add instruction to the query (no instruction for the corpus), you can use the model like this:

from sentence_transformers import SentenceTransformer


sentences = ["This is an example sentence", "Each sentence is converted"]

model = SentenceTransformer('{MODEL_NAME_OR_PATH}')   # Do NOT set trust_remote_code
model.max_seq_length = 512

prompt = "Instruct: Classifying the category of french news. \n Query: "
embeddings = model.encode(
    sentences, 
    prompt=prompt,
    normalize_embeddings=True,
    batch_size=256, 
    show_progress_bar=True
    )
print(embeddings)

Citation

Please cite the repo if you use the model or code in this repo.

@article{hu2025kalm,
  title={KaLM-Embedding: Superior Training Data Brings A Stronger Embedding Model},
  author={Hu, Xinshuo and Shan, Zifei and Zhao, Xinping and Sun, Zetian and Liu, Zhenyu and Li, Dongfang and Ye, Shaolin and Wei, Xinyuan and Chen, Qian and Hu, Baotian and others},
  journal={arXiv preprint arXiv:2501.01028},
  year={2025}
}

Contact

If you encounter any issue, feel free to contact us via the email: yanshek.woo@gmail.com

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2Model
Ревизия весов
a47218f

0 моделей