/ Модель

Характеристики

Контекст
131 072 токена
Параметры
494 млн
Лицензия
MIT
Архитектура
qwen2 · dense
Базовая модель
Qwen2-0.5B
Библиотека
sentence-transformers
Опубликована
24 июн 2025

KaLM-embedding-multilingual-mini-instruct-v2

ЭмбеддингиТекст → embedding10 профессий

Мультиязычная модель на базе Qwen2 для создания текстовых эмбеддингов и поиска семантически близких текстов.

427скачиваний за 30 дней34лайкавеса обновлены8 окт 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 оценки45

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

  • MindSmallReranking

    main_score

    Результат

    0,3204

    MTEB

    Публичная таблицадругая ревизия

  • BQ

    main_score

    Результат

    0,6436

    MTEB

    Публичная таблицадругая ревизия

  • TweetSentimentExtractionClassification

    main_score

    Результат

    0,786

    MTEB

    Публичная таблицадругая ревизия

  • T2Retrieval

    main_score

    Результат

    0,8488

    MTEB

    Публичная таблицадругая ревизия

  • CQADupstackProgrammersRetrieval

    main_score

    Результат

    0,4542

    MTEB

    Публичная таблицадругая ревизия

  • CLSClusteringP2P

    main_score

    Результат

    0,6295

    MTEB

    Публичная таблицадругая ревизия

  • TNews

    main_score

    Результат

    0,5075

    MTEB

    Публичная таблицадругая ревизия

  • CQADupstackStatsRetrieval

    main_score

    Результат

    0,3715

    MTEB

    Публичная таблицадругая ревизия

  • FEVER

    main_score

    Результат

    0,8301

    MTEB

    Публичная таблицадругая ревизия

  • MedrxivClusteringS2S

    main_score

    Результат

    0,4056

    MTEB

    Публичная таблицадругая ревизия

  • TRECCOVID

    main_score

    Результат

    0,7927

    MTEB

    Публичная таблицадругая ревизия

  • MassiveIntentClassification

    main_score

    Результат

    0,778

    MTEB

    Публичная таблицадругая ревизия

  • SciDocsRR

    main_score

    Результат

    0,8225

    MTEB

    Публичная таблицадругая ревизия

  • STS22

    main_score

    Результат

    0,5337

    Общий результат 0,7395
    MTEB

    Публичная таблицадругая ревизия

  • STS13

    main_score

    Результат

    0,8596

    MTEB

    Публичная таблицадругая ревизия

  • CQADupstackWebmastersRetrieval

    main_score

    Результат

    0,4338

    MTEB

    Публичная таблицадругая ревизия

  • STS17

    main_score

    Результат

    0,717

    Общий результат 0,8616Общий результат 0,6995Общий результат 0,4745
    MTEB

    Публичная таблицадругая ревизия

  • CQADupstackUnixRetrieval

    main_score

    Результат

    0,4589

    MTEB

    Публичная таблицадругая ревизия

  • NQ

    main_score

    Результат

    0,481

    MTEB

    Публичная таблицадругая ревизия

  • SummEval

    main_score

    Результат

    0,2851

    MTEB

    Публичная таблицадругая ревизия

  • RedditClustering

    main_score

    Результат

    0,7652

    MTEB

    Публичная таблицадругая ревизия

  • CQADupstackMathematicaRetrieval

    main_score

    Результат

    0,3321

    MTEB

    Публичная таблицадругая ревизия

  • StackExchangeClusteringP2P

    main_score

    Результат

    0,4541

    MTEB

    Публичная таблицадругая ревизия

  • BiorxivClusteringP2P

    main_score

    Результат

    0,4769

    MTEB

    Публичная таблицадругая ревизия

  • ClimateFEVER

    main_score

    Результат

    0,2507

    MTEB

    Публичная таблицадругая ревизия

  • MultilingualSentiment

    main_score

    Результат

    0,7916

    MTEB

    Публичная таблицадругая ревизия

  • mteb/arguana

    score · выше — лучше

    Результат

    57,419

    ArguAna 57,419
    Hugging Face Leaderboards

    Публичная таблицаревизия не подтверждена

  • CQADupstackGamingRetrieval

    main_score

    Результат

    0,6208

    MTEB

    Публичная таблицадругая ревизия

  • CovidRetrieval

    main_score

    Результат

    0,833

    MTEB

    Публичная таблицадругая ревизия

  • VideoRetrieval

    main_score

    Результат

    0,7551

    MTEB

    Публичная таблицадругая ревизия

  • STS12

    main_score

    Результат

    0,8227

    MTEB

    Публичная таблицадругая ревизия

  • CQADupstackRetrieval

    main_score

    Результат

    0,4419

    MTEB

    Публичная таблицадругая ревизия

  • BIOSSES

    main_score

    Результат

    0,8416

    MTEB

    Публичная таблицадругая ревизия

  • MedicalRetrieval

    main_score

    Результат

    0,5981

    MTEB

    Публичная таблицадругая ревизия

  • DBPedia

    main_score

    Результат

    0,4026

    MTEB

    Публичная таблицадругая ревизия

  • HotpotQA

    main_score

    Результат

    0,7014

    MTEB

    Публичная таблицадругая ревизия

  • ATEC

    main_score

    Результат

    0,5035

    MTEB

    Публичная таблицадругая ревизия

  • CQADupstackEnglishRetrieval

    main_score

    Результат

    0,4894

    MTEB

    Публичная таблицадругая ревизия

  • CQADupstackPhysicsRetrieval

    main_score

    Результат

    0,4828

    MTEB

    Публичная таблицадругая ревизия

  • FiQA2018

    main_score

    Результат

    0,4523

    MTEB

    Публичная таблицадругая ревизия

  • AFQMC

    main_score

    Результат

    0,4418

    MTEB

    Публичная таблицадругая ревизия

  • MTOPDomainClassification

    main_score

    Результат

    0,9886

    MTEB

    Публичная таблицадругая ревизия

  • ThuNewsClusteringP2P

    main_score

    Результат

    0,8079

    MTEB

    Публичная таблицадругая ревизия

  • AmazonCounterfactualClassification

    main_score

    Результат

    0,9643

    MTEB

    Публичная таблицадругая ревизия

  • MMarcoRetrieval

    main_score

    Результат

    0,8059

    MTEB

    Публичная таблицадругая ревизия

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

KaLM-embedding-multilingual-mini-instruct-v2 — компактная мультиязычная модель для получения текстовых эмбеддингов, разработанная HIT-TMG и дообученная на базе Qwen/Qwen2-0.5B. Она использует двунаправленное внимание и многоэтапное обучение с предварительной и контролируемой настройкой на наборах данных для разных задач представления текста. Размер модели — около 0,5 млрд параметров, размерность эмбеддинга — 896, поддерживаются варианты размерности 512, 256, 128 и 64. README указывает максимум 32 тыс. токенов на вход, а метаданные — нативный контекст 131 072 токена.

Модель предназначена для поиска и сопоставления текстов, семантического сходства, классификации и кластеризации; для асимметричных задач и симметричного сравнения предусмотрены инструкции к запросам и текстовым фрагментам. В карточке и метаданных отмечены английский и китайский языки. Модель распространяется по лицензии MIT. Метрики качества для конкретных языков и сценариев в предоставленных данных не приведены.

Сценарии применения

  • семантический поиск по документам
  • поиск релевантных фрагментов для RAG
  • сопоставление запросов и текстовых фрагментов
  • оценка семантического сходства предложений
  • кластеризация текстов по смыслу
  • классификация текстов с использованием эмбеддингов

Ограничения

Карточка не приводит численных метрик качества по языкам и сценариям; перечисленные языки в метаданных — английский и китайский. Для работы с Qwen2 требуется 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-V2 is a versatile and compact embedding model, which achieves impressive performance in general-purpose text embedding tasks by leveraging superior training techniques and data.

KaLM-embedding-multilingual-mini-instruct-v2 is trained from Qwen/Qwen2-0.5B with massive weakly-supervised pre-training and high-quality supervised fine-tuning data.

The model incorporates several innovative designs:

  • Architectural Design: integration of bidirectional attention, enhancing representation learning.
  • Training Recipe: multi-stage training strategy, progressively improving the generalization and performance.
  • Training Objective: focal-style reweighting mechanism and online hard-negative mixing strategy to improve the efficiency and continuity of embedding training.
  • Training Data: 20 categories of data for pre-training and 100 categories of data for fine-tuning, as well as comprehensive recipes for curating training datasets.

Model Information

  • Model Size: 0.5B
  • Embedding Dimension: 896
  • Max Input Tokens: 32k
  • MRL: 896 512 256 128 64

📑 Open-source Plan

Evaluation

Overall results on MTEB (cmn, v1) and MTEB (eng, v1).

overall

Detailed model performance on MTEB (cmn, v1).

mteb_cmn

Detailed model performance on MTEB (eng, v1).

mteb_cmn

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

sentence-transformers support

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}", trust_remote_code=True, truncate_dim=None, model_kwargs={"torch_dtype": torch.bfloat16, "attn_implementation": "flash_attention_2"})
model.max_seq_length = 512

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

We add task instructions for queries in asymmetric tasks: retrieval, reranking, classification, and clustering.

And, we add task instructions for both queries and passages in symmetric tasks: STS and pair classification.

If you want to add task instructions to the query, 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}", trust_remote_code=True, truncate_dim=None, model_kwargs={"torch_dtype": torch.bfloat16, "attn_implementation": "flash_attention_2"})
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)

vllm support

pip install -U vllm==0.8.5
import torch
import vllm
from vllm import LLM
def get_detailed_instruct(task_description: str, query: str) -> str:
    return f'Instruct: {task_description}\nQuery:{query}'

task = 'Given a query, retrieve documents that answer the query'
queries = [
    get_detailed_instruct(task, 'What is the capital of China?'),
    get_detailed_instruct(task, 'Explain gravity')
]
documents = [
    "The capital of China is Beijing.",
    "Gravity is a force that attracts two bodies towards each other. It gives weight to physical objects and is responsible for the movement of planets around the sun."
]
input_texts = queries + documents

model = LLM(model="{MODEL_NAME_OR_PATH}", task="embed", trust_remote_code=True, dtype="float16")

outputs = model.embed(input_texts)
embeddings = torch.tensor([o.outputs.embedding for o in outputs])
scores = (embeddings[:2] @ embeddings[2:].T)
print(scores.tolist())

Citation

If you find this model useful, please consider giving a star and citation.

@misc{zhao2025kalmembeddingv2,
      title={KaLM-Embedding-V2: Superior Training Techniques and Data Inspire A Versatile Embedding Model}, 
      author={Xinping Zhao and Xinshuo Hu and Zifei Shan and Shouzheng Huang and Yao Zhou and Xin Zhang and Zetian Sun and Zhenyu Liu and Dongfang Li and Xinyuan Wei and Youcheng Pan and Yang Xiang and Meishan Zhang and Haofen Wang and Jun Yu and Baotian Hu and Min Zhang},
      year={2025},
      eprint={2506.20923},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2506.20923}, 
}

@misc{hu2025kalmembedding,
      title={KaLM-Embedding: Superior Training Data Brings A Stronger Embedding Model}, 
      author={Xinshuo Hu and Zifei Shan and Xinping Zhao and Zetian Sun and Zhenyu Liu and Dongfang Li and Shaolin Ye and Xinyuan Wei and Qian Chen and Baotian Hu and Haofen Wang and Jun Yu and Min Zhang},
      year={2025},
      eprint={2501.01028},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2501.01028}, 
}

Contact

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

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
Qwen2Model
Ревизия весов
348e90d

0 моделей