Характеристики

Контекст: 32 768 токенов
Параметры: 508 млн
Архитектура: qwen3 · dense
Базовая модель: Qwen3-Embedding-0.6B
Библиотека: transformers
Опубликована: 21 июн 2026

Ссылки

Qwen-Embedding-ProcCode

Генерация текстаТекст → текст4 профессии

Дообученная модель Qwen3 для создания текстовых эмбеддингов и семантического поиска по итальянским материалам о государственных закупках.

83скачиваний за 30 дней0лайковвеса обновлены25 июн 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.

Добавьте модель в бенчмарк
Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.
Опишите свои задачи
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
Запустите и опубликуйте
Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Открыть конструктор бенчмарка

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

LorMolf/Qwen-Embedding-ProcCode — модель текстовых эмбеддингов, созданная дообучением Qwen/Qwen3-Embedding-0.6B для поиска по материалам итальянских государственных закупок. Она принимает запросы в формате «Instruct: \nQuery: » и текст документов без префикса инструкции, преобразуя их в представления для семантического поиска и извлечения релевантных материалов. Для обучения применялись LoRA и функция потерь InfoNCE; контекст обучения и оценки составлял до 32 768 токенов.

Модель ориентирована на retrieval по статьям, исходным документам и узлам вики, связанным с закупками. В метаданных указаны архитектура Qwen3, около 507,6 млн параметров и формат safetensors. Лицензия в предоставленных данных не указана.

Сценарии применения

семантический поиск по документам государственных закупок Италии
поиск релевантных статей и исходных материалов по запросу
извлечение подходящих узлов вики для поисковой системы
ранжирование документов по близости к запросу через эмбеддинги

Ограничения

Специализирована на поиске по материалам итальянских государственных закупок; качество для других тематик и языков не описано. Лицензия в предоставленных данных не указана.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей I.1Универсальные способностиПоиск и навигация по информацииAI помогает находить нужные сведения и помогать человеку быстро переходить от вопроса к подтверждённому источнику.18 задач13 467моделей IV.8Отраслевые задачиГосударственное управление, правосудие и чрезвычайные ситуацииAI помогает улучшать государственные услуги, управление ресурсами, правосудие и реагирование на чрезвычайные ситуации.47 задач2 517моделей I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

LorMolf/Qwen-Embedding-ProcCode

Merged Qwen3-Embedding checkpoint for Italian public-procurement retrieval.

Base model: Qwen/Qwen3-Embedding-0.6B
Merge base model: src_appalti/src_retriever/data/qwen3_embedding/merged/Qwen-Embedding-ProcCode-checkpoint-2000
Initialization adapter checkpoint: src_appalti/src_retriever/data/qwen3_embedding/merged/Qwen-Embedding-ProcCode-checkpoint-2000
Adapter checkpoint: src_appalti/src_retriever/data/qwen3_embedding/outputs/qwen3-embedding-wiki-juris-2k-wiki-juris-20260625-001424/v0-20260625-004807/checkpoint-2000
Merge time: 2026-06-25T06:14:38.717382+00:00
Training backend: SWIFT qwen3_emb LoRA, InfoNCE
Expected query format: Instruct: <retrieval instruction>\nQuery: <question>
Document format: raw article/source or wiki-node text without instruction prefix
Max context used during training/eval: 32768 tokens

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры: Qwen3ForCausalLM
Ревизия весов: d1bdb72