/ Модель

Характеристики

Контекст
8 194 токена
Параметры
659 млн
Лицензия
Apache 2.0
Архитектура
xlm-roberta · dense
Базовая модель
bge-m3
Библиотека
sentence-transformers
Опубликована
9 дек 2025

bge-m3-uzbek-cyrillic

ЭмбеддингиТекст → embedding7 профессий

Дообученная на юридических и официальных узбекских текстах модель для семантического поиска, сравнения и кластеризации документов на кириллице.

105скачиваний за 30 дней0лайковвеса обновлены30 мая 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

Just-Bax/bge-m3-uzbek-cyrillic — дообученная модель на базе BAAI/bge-m3 для семантического поиска и сравнения текстов на узбекском языке в кириллической письменности. Она построена на архитектуре XLM-RoBERTa, содержит около 658,7 млн параметров и формирует плотные эмбеддинги размерностью 1024. Заявленная длина контекста — 8194 токена.

Модель предназначена для поиска по документам, retrieval-augmented generation (RAG), оценки сходства предложений, проверки перефразирований, кластеризации и поиска дубликатов. Дообучение с контрастивной целью проводилось на узбекских юридических и официально-деловых текстах; используются CLS pooling и L2-нормализация. Поддерживается библиотекой Sentence Transformers, веса доступны в формате safetensors.

Модель особенно подходит для узбекских текстов на кириллице в правовой и формальной тематике. Качество на узбекском в латинской письменности может отличаться; на разговорных текстах точность может быть ниже. Для сопоставимых результатов важно одинаково предварительно обрабатывать и нормализовать тексты при индексации и поиске. Лицензия — Apache-2.0.

Сценарии применения

  • семантический поиск по узбекским юридическим документам
  • подбор контекста из узбекских документов для RAG
  • сравнение сходства узбекских предложений
  • поиск перефразирований в официальных текстах
  • обнаружение дубликатов и кластеризация документов на узбекском

Ограничения

Ориентирована на узбекский язык в кириллической письменности; качество на латинской письменности и разговорных текстах может быть ниже. Результаты зависят от согласованной предобработки и нормализации текстов при индексации и поиске.

Для каких профессий подходит7

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

bge-m3-uzbek-cyrillic

A fine-tuned version of BAAI/bge-m3 optimized for semantic similarity and retrieval over Uzbek (Cyrillic) text, with a focus on legal and formal domains. The model produces dense embeddings suitable for search, clustering, and retrieval-augmented generation while retaining the multilingual coverage of the base model.

Model Details

PropertyValue
Base modelBAAI/bge-m3
Parameters0.6B
Embedding dimension1024
Max sequence length8192 tokens
Fine-tuning objectiveContrastive learning
Precisionfloat32
LanguagesUzbek (Cyrillic), Russian, English
LicenseApache 2.0

Intended Use

  • Semantic search and dense retrieval
  • Retrieval-augmented generation (RAG) over Uzbek documents
  • Document and sentence similarity detection
  • Paraphrase evaluation for closely related sentence pairs
  • Duplicate detection and clustering

Limitations

  • The fine-tune targets Cyrillic-script Uzbek; performance on Latin-script Uzbek may differ.
  • The model is optimized for legal and formal text and may be less accurate on informal or conversational language.
  • Embedding quality depends on input preprocessing and normalization being consistent between indexing and querying.

Usage

sentence-transformers

from sentence_transformers import SentenceTransformer

model = SentenceTransformer("Just-Bax/bge-m3-uzbek-cyrillic")

sentences = [
    "Ўзбекистон Республикаси Конституцияси олий юридик кучга эга.",
    "Конституция давлатнинг асосий қонуни ҳисобланади.",
    "Бугун ҳаво очиқ ва қуёшли.",
]

embeddings = model.encode(sentences)
similarities = model.similarity(embeddings, embeddings)
print(similarities)

transformers (manual pooling)

from transformers import AutoTokenizer, AutoModel
import torch
import torch.nn.functional as F

model_id = "Just-Bax/bge-m3-uzbek-cyrillic"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModel.from_pretrained(model_id)

text = "Ўзбекистон Республикаси қонунларига мувофиқ ..."
inputs = tokenizer(text, return_tensors="pt", padding=True, truncation=True)

with torch.no_grad():
    outputs = model(**inputs)

# CLS pooling followed by L2 normalization
embedding = outputs.last_hidden_state[:, 0]
embedding = F.normalize(embedding, p=2, dim=1)
print(embedding.shape)

Training

The model was fine-tuned from BAAI/bge-m3 with a contrastive learning objective on Uzbek (Cyrillic) text drawn from legal and formal sources. CLS pooling and L2 normalization are used to produce the final sentence embeddings.

License

Released under the Apache 2.0 license, consistent with the base model BAAI/bge-m3.

Citation

If you use this model, please cite the base model:

@misc{bge-m3,
  title  = {BGE M3-Embedding: Multi-Lingual, Multi-Functionality, Multi-Granularity Text Embeddings Through Self-Knowledge Distillation},
  author = {Chen, Jianlv and Xiao, Shitao and Zhang, Peitian and Luo, Kun and Lian, Defu and Liu, Zheng},
  year   = {2024},
  url    = {https://huggingface.co/BAAI/bge-m3}
}

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
d131175

0 моделей