/ Модель

Характеристики

Контекст
512 токенов
Параметры
33,4 млн
Лицензия
CC BY 4.0
Архитектура
bert · dense
Опубликована
31 мая 2025

az-en-MiniLM-L6-v2

Сходство предложенийТекст → score10 профессий

Двуязычная модель LocalDoc преобразует азербайджанские и английские предложения в эмбеддинги для семантического поиска и сравнения текстов.

405скачиваний за 30 дней2лайкавеса обновлены19 июн 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 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

LocalDoc разработала двуязычную модель эмбеддингов предложений для азербайджанского и английского языков. Она кодирует предложения и абзацы в плотные векторы размерности 384 и предназначена для оценки семантической близости, семантического поиска, поиска перефразировок, классификации текстов и кластеризации.

Модель основана на sentence-transformers/all-MiniLM-L6-v2: архитектура BERT с 6 слоями, скрытым размером 384 и 12 головами внимания. Она дообучена дистилляцией знаний на параллельном корпусе примерно из 4,14 млн азербайджано-английских пар; используется собственный токенизатор SentencePiece Unigram с словарём около 50 тыс. токенов. Максимальная длина входа — 512 токенов. В метаданных указано 33,4 млн параметров; README приводит оценку около 30,2 млн после расширения словаря.

Модель подходит для двуязычного поиска и сравнения текстов, но заявленные результаты относятся к STS-бенчмаркам на азербайджанском и не гарантируют качество на других задачах или языках. Распространяется по лицензии CC BY 4.0.

Сценарии применения

  • поиск документов по смыслу на азербайджанском и английском
  • сравнение семантической близости предложений на азербайджанском
  • поиск перефразировок в двуязычном корпусе
  • кластеризация азербайджанских и английских текстов по смыслу
  • классификация текстов на основе эмбеддингов

Ограничения

Модель рассчитана на азербайджанский и английский языки, поэтому качество для других языков не заявлено. Максимальная длина входа составляет 512 токенов.

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

Bilingual Azerbaijani-English Sentence Embedding Model (az-en-MiniLM-L6-v2)

This is a sentence-transformer model that maps sentences & paragraphs in Azerbaijani (az) and English (en) to a 384-dimensional dense vector space. It is designed for tasks like semantic textual similarity, semantic search, paraphrase mining, text classification, and clustering for these two languages.

The model is based on sentence-transformers/all-MiniLM-L6-v2 and was fine-tuned using knowledge distillation from the high-performance BAAI/bge-small-en-v1.5 English embedding model. A custom bilingual (Azerbaijani-English) SentencePiece Unigram tokenizer with a vocabulary of ~50k was trained from scratch and is used by this model.

Model Details

  • Base Architecture: sentence-transformers/all-MiniLM-L6-v2 (6 layers, 384 hidden dimension, 12 attention heads)
  • Parameters: ~30.2 Million (after vocabulary expansion)
  • Tokenizer: Custom bilingual (AZ-EN) SentencePiece Unigram, vocab size ~50k. Available at LocalDoc/az-en-unigram-tokenizer-50k. You can get train code from this repository https://github.com/vrashad/azerbaijani_tokenizer
  • Output Dimension: 384
  • Max Sequence Length: 512 tokens
  • Training: Fine-tuned for 3 epochs on a parallel corpus of ~4.14 million Azerbaijani-English sentence pairs using MSELoss for knowledge distillation from BAAI/bge-small-en-v1.5.

Performance on Azerbaijani STS Benchmarks

This model demonstrates strong performance on Azerbaijani Semantic Textual Similarity (STS) tasks LocalDoc-Azerbaijan/STS-Benchmark, achieving results competitive with, and in some cases surpassing, larger multilingual models.

The following results were obtained after 3 epochs of training :

DatasetPearson Correlation
LocalDoc/Azerbaijani-STSBenchmark0.7595
LocalDoc/Azerbaijani-biosses-sts0.7410
LocalDoc/Azerbaijani-sickr-sts0.7432
LocalDoc/Azerbaijani-sts12-sts0.7644
LocalDoc/Azerbaijani-sts13-sts0.6336
LocalDoc/Azerbaijani-sts15-sts0.7597
LocalDoc/Azerbaijani-sts16-sts0.6848
Average Pearson0.7266

Comparison with other models on (assumed) Azerbaijani STS Benchmarks (Average Pearson):

  • LocalDoc/TEmA-small: 0.7959
  • Cohere/embed-multilingual-v3.0: 0.7823
  • BAAI/bge-m3: 0.7577
  • intfloat/multilingual-e5-large-instruct: 0.7377
  • Cohere/embed-multilingual-v2.0: 0.7318
  • intfloat/multilingual-e5-large: 0.7280
  • OpenAI/text-embedding-3-large: 0.7288
  • LocalDoc/az-en-MiniLM-L6-v2: 0.7266
  • sentence-transformers/LaBSE: 0.7250
  • intfloat/multilingual-e5-small: 0.7242
  • Cohere/embed-multilingual-light-v3.0: 0.7142
  • intfloat/multilingual-e5-base: 0.6960

How to Use

First, install the sentence-transformers library:

pip install -U sentence-transformers
from sentence_transformers import SentenceTransformer

model_id = "LocalDoc/az-en-MiniLM-L6-v2"

try:
    model = SentenceTransformer(model_id)
    print(f"Model {model_id} loaded successfully!")
except Exception as e:
    print(f"Failed to load model. Ensure the tokenizer 'LocalDoc/az-en-unigram-tokenizer-50k' is accessible and its dependencies (protobuf, sentencepiece_model_pb2.py) are met if loading fails.")
    print(f"Error: {e}")
    # You might need to ensure the tokenizer can be loaded.
    # If the tokenizer requires it (it shouldn't if it's correctly packaged on the Hub by your tokenizer repo):
    # !pip install protobuf
    # !wget -P ./az_en_tokenizer_hf/ https://raw.githubusercontent.com/google/sentencepiece/master/python/src/sentencepiece/sentencepiece_model_pb2.py
    # model = SentenceTransformer(model_id)


# Example Azerbaijani sentences
sentences_az = [
    "Azərbaycanın paytaxtı Bakı şəhəridir.",
    "Bu gün hava çox istidir."
]

# Example English sentences
sentences_en = [
    "The capital of Azerbaijan is the city of Baku.",
    "The weather is very hot today.",
    "I enjoy reading books."
]

print("\nEncoding Azerbaijani sentences...")
embeddings_az = model.encode(sentences_az)
for sent, emb in zip(sentences_az, embeddings_az):
    print(f"Sentence: {sent}")
    print(f"Embedding shape: {emb.shape}, first 3 dims: {emb[:3]}\n")

print("Encoding English sentences...")
embeddings_en = model.encode(sentences_en)
for sent, emb in zip(sentences_en, embeddings_en):
    print(f"Sentence: {sent}")
    print(f"Embedding shape: {emb.shape}, first 3 dims: {emb[:3]}\n")

Example of calculating similarity

from sentence_transformers.util import cos_sim

similarity_matrix = cos_sim(embeddings_az[0], embeddings_en[0])
print(f"Similarity between '{sentences_az[0]}' and '{sentences_en[0]}': {similarity_matrix.item():.4f}")

similarity_matrix_diff = cos_sim(embeddings_az[0], embeddings_en[2])
print(f"Similarity between '{sentences_az[0]}' and '{sentences_en[2]}': {similarity_matrix_diff.item():.4f}")

Training

This model was fine-tuned from sentence-transformers/all-MiniLM-L6-v2 using a knowledge distillation setup.

  • Teacher Model: BAAI/bge-small-en-v1.5 (used to generate target embeddings for English sentences).
  • Student Model: Initialized from sentence-transformers/all-MiniLM-L6-v2.
  • Tokenizer: A custom bilingual (Azerbaijani-English) SentencePiece Unigram tokenizer (LocalDoc/az-en-unigram-tokenizer-50k) was used.
    The student model's token embedding layer was resized to match the new vocabulary size (~50k).
  • Training Data: A parallel corpus of approximately 4.14 million Azerbaijani-English sentence pairs.
  • Loss Function: MSELoss — the student model was trained to produce embeddings for both Azerbaijani and English sentences that are similar to the teacher model's embeddings for the corresponding English sentences.

Training Hyperparameters

  • Epochs: 3
  • Batch Size: 64
  • Max Sequence Length: 512
  • Learning Rate: 3e-4
  • Warmup Ratio: 0.15

CC BY 4.0 License — What It Allows

The Creative Commons Attribution 4.0 International (CC BY 4.0) license allows:

You are free to use, modify, and distribute the model — even for commercial purposes — as long as you give proper credit to the original creator.

For more information, please refer to the CC BY 4.0 license.

Contact

For more information, questions, or issues, please contact LocalDoc at [v.resad.89@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
BertModel
Ревизия весов
58a4e3e

0 моделей