/ Модель

Характеристики

Контекст
512 токенов
Параметры
25,7 млн
Лицензия
Apache 2.0
Архитектура
bert · dense
Базовая модель
all-MiniLM-L6-v2
Библиотека
sentence-transformers
Опубликована
13 мая 2026

dutch-minilm-l6-v2

ЭмбеддингиТекст → embedding10 профессий

Компактный нидерландский энкодер предложений для семантического поиска и сравнения текстов, совместимый по пространству эмбеддингов с англоязычной моделью-учителем.

132скачиваний за 30 дней0лайковвеса обновлены13 мая 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

MarkSelles/dutch-minilm-l6-v2 — компактная модель эмбеддингов предложений для нидерландского языка, созданная Mark Selles на основе sentence-transformers/all-MiniLM-L6-v2. Это энкодер BERT с шестью слоями и mean pooling; модель содержит 25,7 млн параметров по метаданным и формирует векторы размерности 384. Для нидерландского текста обучен отдельный WordPiece-токенизатор с 30 тысячами токенов. Модель дистиллирована на параллельных англо-нидерландских данных так, чтобы её векторы совпадали с векторами англоязычной модели-учителя; это позволяет сопоставлять нидерландские запросы с англоязычными документами и выполнять поиск между этими языками. Контекст по метаданным — 512 токенов, при этом README сообщает об усечении последовательностей длиннее 128 токенов.

Модель предназначена для семантического поиска, сравнения сходства и кластеризации предложений на нидерландском языке, а также для межъязыкового поиска между нидерландским и английским текстом. В README приведены результаты на наборах STSb-multi-mt Dutch и STS17 nl-en, но это не гарантирует такого же качества на других данных. Модель оптимизирована только для нидерландского; для других языков и специализированных предметных областей качество может быть ниже, а некоторые пары нидерландских предложений с общими словами получают завышенную оценку сходства. Лицензия — Apache-2.0.

Сценарии применения

  • семантический поиск по нидерландским документам
  • поиск по англоязычному корпусу с нидерландским запросом
  • сравнение смыслового сходства нидерландских предложений
  • кластеризация нидерландских текстов по смыслу

Ограничения

Оптимизирована для нидерландского языка и может работать хуже на других языках; тексты длиннее 128 токенов усекаются. На нидерландских предложениях с пересекающейся лексикой, но разным смыслом, модель иногда завышает сходство.

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

dutch-minilm-l6-v2

A small, fast, Dutch-only sentence embedding model distilled from all-MiniLM-L6-v2.

It produces 384-dimensional embeddings in the same vector space as the English teacher model, enabling cross-lingual search and retrieval between Dutch and English.

Model Details

PropertyValue
ArchitectureBertModel (6 layers, 384 hidden) + Mean Pooling
Parameters22.5M
Vocabulary30,000 Dutch WordPiece tokens
Embedding dimension384
Max sequence length128
Model size~86 MB
LanguageDutch (nl)
LicenseApache 2.0

How It Was Made

1. Dutch tokenizer

A new WordPiece tokenizer (30k vocab) was trained from scratch on Dutch text from the parallel training corpora. This gives proper tokenization of Dutch compound words (e.g. "stofzuiger", "aanrechtblad", "vaatwastabletten") instead of fragmenting them into many subword pieces.

2. Student model construction

The student reuses the same MiniLM-L6 transformer architecture (6 layers, 384 hidden size). All transformer layer weights were copied directly from the English teacher. The embedding layer was re-initialized for the new Dutch vocabulary, with shared tokens (punctuation, numbers, overlapping subwords) copied from the teacher.

3. Knowledge distillation

The student was trained to mimic the teacher's sentence embeddings using MSE loss on parallel English-Dutch sentence pairs. The teacher encodes the English sentence, and the student learns to produce the same embedding from the Dutch translation.

Training hyperparameters

  • Epochs: 5
  • Batch size: 64
  • Learning rate: 2e-5
  • Warmup ratio: 0.1
  • Precision: fp16
  • Max sentences per dataset: 500,000

Training datasets (parallel en-nl)

DatasetSource
EuroparlEuropean Parliament proceedings
TED TalksTED talk transcripts
OpenSubtitlesMovie/TV subtitles
TatoebaCommunity-translated sentences
WikiTitlesWikipedia article titles

Evaluation

STSb-multi-mt Dutch (unseen, not used during training)

Spearman/Pearson correlation with human similarity judgments on 1,379 Dutch sentence pairs:

ModelSpearmanPearson
all-MiniLM-L6-v2 (teacher, English)0.55460.5474
dutch-minilm-l6-v2 (student, Dutch)0.75080.7540

STS17 nl-en (cross-lingual, used during training for evaluation)

Spearman/Pearson on 250 Dutch-English sentence pairs:

ModelSpearmanPearson
all-MiniLM-L6-v2 (teacher)0.29000.3272
dutch-minilm-l6-v2 (student)0.79290.7954

Per-pair analysis (STSb-multi-mt Dutch test)

  • Student better on 56.4% of pairs
  • Teacher better on 35.8% of pairs
  • About the same on 7.8% of pairs
  • Mean absolute error: Student 0.189 vs Teacher 0.251

Usage

from sentence_transformers import SentenceTransformer

model = SentenceTransformer("MarkSelles/dutch-minilm-l6-v2")

sentences = [
    "De kat zit op de mat.",
    "Een poes ligt op het kleed.",
    "De auto rijdt over de snelweg.",
]

embeddings = model.encode(sentences)
print(embeddings.shape)  # (3, 384)

Cross-lingual search (Dutch queries, English corpus)

Since the Dutch student produces embeddings in the same vector space as the English teacher, you can use both models together for cross-lingual retrieval:

from sentence_transformers import SentenceTransformer
from sentence_transformers.util import cos_sim

# Dutch queries
dutch_model = SentenceTransformer("MarkSelles/dutch-minilm-l6-v2")
query_emb = dutch_model.encode(["draadloze koptelefoon"])

# English product catalog
english_model = SentenceTransformer("sentence-transformers/all-MiniLM-L6-v2")
product_embs = english_model.encode([
    "Wireless Bluetooth headphones with noise cancelling",
    "Wired USB-C earbuds",
    "Portable speaker",
])

similarities = cos_sim(query_emb, product_embs)
print(similarities)

Limitations

  • Optimized for Dutch only — will not work well on other languages
  • Max sequence length of 128 tokens — longer texts are truncated
  • Trained on general-domain parallel data — domain-specific fine-tuning may improve results for specialized use cases
  • The student sometimes overestimates similarity for Dutch sentences with overlapping tokens but different meanings

Citation

If you use this model, please cite the original teacher model:

@inproceedings{reimers-2020-multilingual-sentence-bert,
  title = "Making Monolingual Sentence Embeddings Multilingual using Knowledge Distillation",
  author = "Reimers, Nils and Gurevych, Iryna",
  booktitle = "Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing",
  year = "2020",
  url = "https://arxiv.org/abs/2004.09813",
}

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
a4838aa

0 моделей