/ Модель

Характеристики

Контекст
512 токенов
Параметры
124 млн
Лицензия
Apache 2.0
Архитектура
bert · dense
Базовая модель
multilingual-e5-small
Библиотека
sentence-transformers
Опубликована
24 мар 2026

LocRet-small

ЭмбеддингиТекст → embedding8 профессий

Компактная модель эмбеддингов для семантического поиска и подбора релевантных текстов на азербайджанском языке.

198скачиваний за 30 дней2лайкавеса обновлены26 мар 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

LocRet-small — компактная модель текстовых эмбеддингов, разработанная LocalDoc для семантического поиска по текстам на азербайджанском языке. Это дообученная версия intfloat/multilingual-e5-small на архитектуре BERT; модель содержит 124,3 млн параметров, формирует векторы размерности 384 и принимает последовательности длиной до 512 токенов.

Модель предназначена для поиска релевантных документов по запросу, подбора фрагментов текста и ранжирования кандидатов по сходству. По данным README, её обучали на примерно 3,5 млн пар «запрос — фрагмент» из веб-вопросов и ответов, книг, новостей, политики и истории, используя дистилляцию ранжирования и контрастивное обучение. В описанном бенчмарке AZ-MIRAGE модель показала лучшие результаты среди приведённых систем для поиска на азербайджанском языке.

Модель оптимизирована для азербайджанского языка, поэтому качество на других языках может быть ниже, чем у базовой многоязычной модели. Тексты длиннее 512 токенов следует разбивать на фрагменты. Репозиторий распространяется по лицензии Apache-2.0.

Сценарии применения

  • поиск документов по азербайджанскому запросу
  • поиск ответов в базе знаний на азербайджанском языке
  • подбор релевантных фрагментов книг и статей
  • ранжирование кандидатов документов по близости к запросу

Ограничения

Модель оптимизирована для поиска на азербайджанском языке, и качество на других языках может быть ниже, чем у базовой multilingual-e5-small. Максимальная длина входа — 512 токенов; более длинные документы нужно разбивать на фрагменты.

Для каких профессий подходит8

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

LocRet-small — Azerbaijani Retrieval Embedding Model

LocRet-small is a compact, high-performance retrieval embedding model specialized for the Azerbaijani language. Despite being 4.8× smaller than BGE-m3, it significantly outperforms it on Azerbaijani retrieval benchmarks.

Key Results

AZ-MIRAGE Benchmark (Native Azerbaijani Retrieval)

RankModelParametersMRR@10P@1R@5R@10NDCG@5NDCG@10
#1LocRet-small118M0.52500.31320.82670.89480.59380.6162
#2BAAI/bge-m3568M0.42040.23100.69050.77870.47910.5079
#3perplexity-ai/pplx-embed-v1-0.6b600M0.41170.22760.67150.76050.46770.4968
#4intfloat/multilingual-e5-large560M0.40430.22640.65710.74540.45840.4875
#5intfloat/multilingual-e5-base278M0.38520.21160.63530.72160.43900.4672
#6Snowflake/snowflake-arctic-embed-l-v2.0568M0.37460.21350.60060.69160.42180.4516
#7Qwen/Qwen3-Embedding-4B4B0.36020.18690.60670.70360.41190.4437
#8intfloat/multilingual-e5-small (base)118M0.35860.19580.59270.68340.40790.4375
#9Qwen/Qwen3-Embedding-0.6B600M0.29510.15160.49260.59560.33390.3676

Usage

from sentence_transformers import SentenceTransformer

model = SentenceTransformer("LocalDoc/LocRet-small")

queries = ["Azərbaycanın paytaxtı hansı şəhərdir?"]
passages = [
    "Bakı Azərbaycan Respublikasının paytaxtı və ən böyük şəhəridir.",
    "Gəncə Azərbaycanın ikinci böyük şəhəridir.",
]

query_embeddings = model.encode_query(queries)
passage_embeddings = model.encode_document(passages)

similarities = model.similarity(query_embeddings, passage_embeddings)
print(similarities)

Prefixes "query: " and "passage: " are applied automatically via encode_query and encode_document. If using model.encode directly, the "passage: " prefix is added by default.

Training

Method

LocRet-small is fine-tuned from multilingual-e5-small using listwise KL distillation combined with a contrastive loss:

$$\mathcal{L} = \mathcal{L}{\text{KL}} + 0.1 \cdot \mathcal{L}{\text{InfoNCE}}$$

  • Listwise KL divergence: Distills the ranking distribution from a cross-encoder teacher (bge-reranker-v2-m3) over candidate lists of 1 positive + up to 10 hard negatives per query. Teacher and student softmax distributions use asymmetric temperatures (τ_teacher = 0.3, τ_student = 0.05).
  • In-batch contrastive loss (InfoNCE): Provides additional diversity through in-batch negatives on positive passages.

This approach preserves the full teacher ranking signal rather than reducing it to binary relevance labels, which is critical for training on top of already strong pre-trained retrievers.

Data

The model was trained on approximately 3.5 million Azerbaijani query-passage pairs from four datasets:

DatasetPairsDomainType
msmarco-az-reranked~1.4MGeneral web QATranslated EN→AZ
azerbaijani_books_retriever_corpus-reranked~1.6MBooks, politics, historyNative AZ
azerbaijani_retriever_corpus-reranked~189KNews, cultureNative AZ
ldquad_v2_retrieval-reranked~330KWikipedia QANative AZ

All datasets include hard negatives scored by a cross-encoder reranker, which serve as the teacher signal for listwise distillation. False negatives were filtered using normalized score thresholds.

Hyperparameters

ParameterValue
Base modelintfloat/multilingual-e5-small
Max sequence length512
Effective batch size256
Learning rate5e-5
ScheduleLinear warmup (5%) + cosine decay
PrecisionFP16
Epochs1
Training time~25 hours
Hardware4× NVIDIA RTX 5090 (32GB)

Training Insights

  • Listwise KL distillation outperforms standard contrastive training (MultipleNegativesRankingLoss) for fine-tuning pre-trained retrievers, consistent with findings from Arctic-Embed 2.0 and cadet-embed.
  • Retrieval pre-training matters more than language-specific pre-training for retrieval tasks: multilingual-e5-small (with retrieval pre-training) significantly outperforms XLM-RoBERTa and other BERT variants (without retrieval pre-training) as a base model.
  • A mix of translated and native data prevents catastrophic forgetting while enabling language specialization.

Benchmark

AZ-MIRAGE

A native Azerbaijani retrieval benchmark (https://github.com/LocalDoc-Azerbaijan/AZ-MIRAGE) with 7,373 queries and 40,448 document chunks covering diverse topics. Evaluates retrieval quality on naturally written Azerbaijani text.

Model Details

PropertyValue
ArchitectureBERT (XLM-RoBERTa)
Parameters118M
Embedding dimension384
Max tokens512
VocabularySentencePiece (250K)
Similarity functionCosine similarity
LanguageAzerbaijani (az)
LicenseApache 2.0

Limitations

  • Optimized for Azerbaijani text retrieval. Performance on other languages may be lower than the base multilingual-e5-small model.
  • Maximum input length is 512 tokens. Longer documents should be chunked.

Citation

@misc{locret-small-2026,
  title={LocRet-small: A Compact Azerbaijani Retrieval Embedding Model},
  author={LocalDoc},
  year={2026},
  url={https://huggingface.co/LocalDoc/LocRet-small}
}

Acknowledgments

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
BertModel
Ревизия весов
272ed61

0 моделей