Характеристики

Контекст: 32 768 токенов
Параметры: 508 млн
Архитектура: qwen3 · dense
Базовая модель: Qwen3-Embedding-0.6B
Библиотека: transformers
Опубликована: 24 июн 2026

Ссылки

Qwen-Embedding-ProcCode-aligned-2k

Генерация текстаТекст → текст3 профессии

Модель эмбеддингов на базе Qwen3, дообученная для семантического поиска по итальянским материалам о государственных закупках.

15скачиваний за 30 дней0лайковвеса обновлены24 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-aligned-2k — дообученная и объединённая модель текстовых эмбеддингов на базе Qwen/Qwen3-Embedding-0.6B, предназначенная для поиска по материалам итальянских государственных закупок. Она создаёт представления запросов и документов для семантического поиска и retrieval; при обучении использовались LoRA и функция потерь InfoNCE.

Для запросов ожидается формат «Instruct: \nQuery: », а документы подаются как исходный текст статьи, источника или узла вики без префикса инструкции. Обучение и оценка использовали контекст до 32 768 токенов. Модель содержит около 507,6 млн параметров и распространяется в формате safetensors; основным языком и предметной областью являются итальянский язык и государственные закупки. Лицензия в предоставленных данных не указана.

Сценарии применения

семантический поиск по документации государственных закупок Италии
поиск релевантных закупочных статей по запросу на итальянском языке
извлечение документов для retrieval-системы по государственным тендерам

Ограничения

Модель ориентирована на итальянские материалы о государственных закупках; качество на других языках и в иных областях не подтверждено. Для запросов следует использовать указанный формат «Instruct: \nQuery: », а для документов — текст без префикса инструкции.

Для каких профессий подходит3

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

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

LorMolf/Qwen-Embedding-ProcCode-aligned-2k

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-0_6b-basecode-aligned-2k-20260623_232914/v0-20260623-233753/checkpoint-2000
Merge time: 2026-06-24T08:48:00.004976+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: f2eaf53