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
Kelnux/seo-embedding-uczciweseo — модель эмбеддингов на базе BERT, дообученная для SEO-задач польского рынка. Она преобразует предложения и фразы в 384-мерные векторы, которые можно сравнивать по косинусному сходству для семантического поиска и группировки похожих запросов. Модель основана на sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2, содержит 124,3 млн параметров и рассчитана на тексты длиной до 512 токенов.
Модель обучена на польских SEO-данных, наборе SEO-GRPO и терминологии seovoc/schema.org. Она предназначена для сравнения SEO-фраз, поиска семантически близких терминов, кластеризации ключевых слов и сопоставления польских и английских формулировок. В README приведены примеры сходства для технического SEO, структурированных данных и органического трафика.
Заявлена лицензия MIT. Оценки в карточке получены на описанных авторами парах фраз; README указывает на обучение на 298 парах, поэтому эти результаты сами по себе не гарантируют качество на других SEO-данных. Модель выдаёт векторы, а не готовые тексты или рекомендации.
Сценарии применения
поиск похожих SEO-запросов на польском языке
сопоставление польских и английских SEO-фраз
кластеризация ключевых слов по смыслу
поиск терминов о техническом SEO и индексировании
сравнение названий структурированных данных и понятий schema.org
Ограничения
Контекст ограничен 512 токенами. Указанные в README метрики рассчитаны на описанные пары фраз, а обучение проводилось на 298 парах; качество на иных темах и данных не подтверждено.
Для каких профессий подходит3
Разделы каталога профессий, в задачах которых используется эта модель
Model embeddingowy fine-tuned dla polskiego rynku SEO, wytrenowany na:
cyberandy/seo-grpo-reasoning-dataset-1000 - dataset SEO reasoning
UczciweSEO.pl - polskie dane SEO
Terminologia seovoc/schema.org
Wyniki
Metryka
v1
v2
Zmiana
Pary podobne
0.7762
0.8229
+0.047
Pary różne
0.3309
0.2982
-0.033
Gap (separacja)
0.4453
0.5247
+0.079
Użycie
from sentence_transformers import SentenceTransformer
model = SentenceTransformer("Kelnux/seo-embedding-uczciweseo")
# Generuj embeddingi
sentences = ["technical SEO audit", "audyt techniczny strony"]
embeddings = model.encode(sentences)
# Oblicz podobieństwo
from sklearn.metrics.pairwise import cosine_similarity
similarity = cosine_similarity([embeddings[0]], [embeddings[1]])[0][0]
print(f"Podobieństwo: {similarity:.4f}")
Przykłady
Fraza 1
Fraza 2
Podobieństwo
technical SEO audit steps
crawl errors in Google Search Console
0.79
structured data
dane strukturalne schema.org
0.93
organic traffic
ruch organiczny
0.91
keyword difficulty
long-tail keywords
0.88
Specyfikacja
Wymiar: 384
Base model: paraphrase-multilingual-MiniLM-L12-v2
Dane treningowe: 298 par (SEO-GRPO + UczciweSEO + terminologia)
Języki: polski, angielski
Kategorie treningowe
Technical SEO (crawl issues, indexing)
Content SEO (keywords, optimization)
Link building (internal linking, anchor text)
seovoc/schema.org concepts
UczciweSEO terminology (uczciwe praktyki SEO)
Citation
@misc{seo-embedding-uczciweseo,
title={SEO Embedding Model for UczciweSEO.pl},
year={2025},
publisher={HuggingFace},
url={https://huggingface.co/Kelnux/seo-embedding-uczciweseo}
}
Как запустить
На своей GPU в ailist. Цена — по текущим предложениям провайдеров