/ Модель

Характеристики

Контекст
514 токенов
Параметры
659 млн
Лицензия
MIT
Архитектура
xlm-roberta · dense
Базовая модель
multilingual-e5-large-instruct
Опубликована
2 сен 2025

AfriE5-Large-instruct

ЭмбеддингиТекст → embedding10 профессий

Модель создаёт текстовые эмбеддинги для семантического поиска и сравнения текстов с акцентом на африканские языки.

2 405скачиваний за 30 дней0лайковвеса обновлены31 июл 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 оценки13

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

  • SIB200ClusteringS2S

    main_score

    Результат

    0,4621

    Общий результат 0,4147Общий результат 0,4082Общий результат 0,2547
    MTEB

    Публичная таблицаревизия совпадает

  • NTREXBitextMining

    main_score

    Результат

    0,9563

    Общий результат 0,9961Общий результат 0,9848Общий результат 0,9816
    MTEB

    Публичная таблицаревизия совпадает

  • SIB200Classification

    main_score

    Результат

    0,4603

    Общий результат 0,7868Общий результат 0,7449Общий результат 0,7137
    MTEB

    Публичная таблицаревизия совпадает

  • AfriXNLI

    main_score

    Результат

    0,6717

    Общий результат 0,8164Общий результат 0,7262Общий результат 0,6792
    MTEB

    Публичная таблицаревизия совпадает

  • BelebeleRetrieval

    main_score

    Результат

    0,8383

    Общий результат 0,8659Общий результат 0,8235Общий результат 0,7931
    MTEB

    Публичная таблицаревизия совпадает

  • SemRel24STS

    main_score

    Результат

    0,819

    MTEB

    Публичная таблицаревизия совпадает

  • MasakhaNEWSClusteringS2S

    main_score

    Результат

    0,4504

    MTEB

    Публичная таблицаревизия совпадает

  • MasakhaNEWSClusteringP2P

    main_score

    Результат

    0,6269

    MTEB

    Публичная таблицаревизия совпадает

  • BibleNLPBitextMining

    main_score

    Результат

    0,9492

    Общий результат 0,9896Общий результат 0,987
    MTEB

    Публичная таблицаревизия совпадает

  • InjongoIntent

    main_score

    Результат

    0,6669

    MTEB

    Публичная таблицаревизия совпадает

  • AfriSentiClassification

    main_score

    Результат

    0,4305

    MTEB

    Публичная таблицаревизия совпадает

  • NaijaSenti

    main_score

    Результат

    0,4872

    MTEB

    Публичная таблицаревизия совпадает

  • AfriHateClassification

    main_score

    Результат

    0,5075

    MTEB

    Публичная таблицаревизия совпадает

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

AfriE5-Large-instruct — модель текстовых эмбеддингов, разработанная для улучшенной поддержки африканских языков на основе multilingual-e5-large-instruct. Она предназначена для преобразования текстов и запросов в векторы для семантического поиска, сравнения предложений и других задач, где нужно оценить смысловое сходство. Модель основана на XLM-RoBERTa-large, содержит 658,7 млн параметров и принимает контекст длиной до 514 токенов.

При обучении использовались межъязыковое контрастивное обучение и дистилляция знаний; базовая модель указана в метаданных как дообученная. Обучение было нацелено на амхарский, оромо, хауса, игбо, киньяруанда, суахили, тви, коса, йоруба и зулу. В README заявлена проверка на 59 языках, а метаданные также отмечают английский. В тестах AfriMTEB модель показала средние результаты 63,7 на наборе из девяти языков и 62,4 на наборе из 59 языков. Лицензия — MIT.

Сценарии применения

  • семантический поиск по документам на африканских языках
  • поиск ответов по смыслу, а не по совпадению слов
  • сравнение сходства двух предложений
  • межъязыковой поиск между африканскими языками
  • кластеризация текстов по смыслу

Ограничения

Контекст ограничен 514 токенами. Целевая языковая поддержка сосредоточена на десяти африканских языках; качество для остальных языков зависит от межъязыкового обобщения.

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

AfriE5-Large-instruct

AfriE5-Large-instruct is a text embedding model adapted from multilingual-e5-large-instruct to better support African languages. It was developed by leveraging cross-lingual contrastive learning with knowledge distillation, specifically targeting 9 African languages while generalizing well to 59 languages covered in the AfriMTEB benchmark.

Model Details

  • Model Name: AfriE5-Large-instruct
  • Base Model: intfloat/multilingual-e5-large-instruct
  • Architecture: XLM-RoBERTa-large based (24 layers, 1024 hidden size)
  • Training Method: Cross-lingual contrastive learning + Knowledge Distillation (Teacher: BGE Reranker v2 m3)
  • Training Data: NLI datasets (MNLI, SNLI) translated into 9 African languages using NLLB-200-3.3B, filtered by SSA-COMET.
  • Supported Languages:
    • Targeted (Training): Amharic, Oromo, Hausa, Igbo, Kinyarwanda, Swahili, Twi, Xhosa, Yoruba, Zulu.
    • Evaluated (AfriMTEB): Covers 59 languages including the targeted ones and others like Afrikaans, Somali, Twi, etc.

Usage

Using Sentence Transformers

from sentence_transformers import SentenceTransformer

# Load the model
model = SentenceTransformer('McGill-NLP/AfriE5-Large-instruct')

# Define queries and documents
# IMPORTANT: Queries require a specific instruction prefix. 
# Documents do not strictly need a prefix, but usage should mirror mE5 conventions.
query_instruction = "Instruct: Retrieve sentences that are semantically consistent with the input.\nQuery: "

queries = [
    "What are the key features of AfriMTEB?",
    "Hali ya hewa ikoje leo?" # Swahili: How is the weather today?
]

documents = [
    "AfriMTEB is a benchmark for evaluating text embeddings in African languages.",
    "Leo kuna jua kali sana." # Swahili: Today it is very sunny.
]

# Add prefix to queries
formatted_queries = [query_instruction + q for q in queries]

# Encode
query_embeddings = model.encode(formatted_queries, normalize_embeddings=True)
doc_embeddings = model.encode(documents, normalize_embeddings=True)

# Compute similarity
scores = (query_embeddings @ doc_embeddings.T) * 100
print(scores)

Using Hugging Face Transformers

import torch
import torch.nn.functional as F
from transformers import AutoTokenizer, AutoModel

def average_pool(last_hidden_states, attention_mask):
    last_hidden = last_hidden_states.masked_fill(~attention_mask[..., None].bool(), 0.0)
    return last_hidden.sum(dim=1) / attention_mask.sum(dim=1)[..., None]

# Load model and tokenizer
tokenizer = AutoTokenizer.from_pretrained('McGill-NLP/AfriE5-Large-instruct')
model = AutoModel.from_pretrained('McGill-NLP/AfriE5-Large-instruct')

# Define input texts
query_instruction = "Instruct: Retrieve sentences that are semantically consistent with the input.\nQuery: "
input_texts = [
    query_instruction + "What is the capital of Nigeria?",
    "Abuja is the capital city of Nigeria.",
    "Lagos is the largest city in Nigeria."
]

# Tokenize
batch_dict = tokenizer(input_texts, max_length=512, padding=True, truncation=True, return_tensors='pt')

# Get embeddings
outputs = model(**batch_dict)
embeddings = average_pool(outputs.last_hidden_state, batch_dict['attention_mask'])

# Normalize embeddings
embeddings = F.normalize(embeddings, p=2, dim=1)

# Compute cosine similarity
scores = (embeddings[:1] @ embeddings[1:].T) * 100
print(scores)

Benchmark Results

AfriE5-Large-instruct was evaluated on AfriMTEB, a comprehensive benchmark for African languages.

AfriMTEB-Lite (9 Languages)

Average performance across 12 tasks on 9 target African languages.

ModelAverage Score
AfriE5-Large-instruct63.7
Gemini Embedding-00163.1
mE5-Large-instruct62.0
BGE-M355.0

AfriMTEB-Full (59 Languages)

Macro-average across 38 datasets and 59 languages.

ModelAverage Score
AfriE5-Large-instruct62.4
mE5-Large-instruct61.3
Gemini Embedding-00160.6
BGE-M355.8

Note: AfriE5 outperforms strong baselines despite being trained on only 9 languages, demonstrating effective cross-lingual generalization.

Training Details

  • Source Data: MNLI and SNLI (English).
  • Translation: Translated into 9 African languages (Amharic, Oromo, Hausa, Igbo, Kinyarwanda, Swahili, Xhosa, Yoruba, Zulu) using facebook/nllb-200-3.3B.
  • Quality Control: Filtered using SSA-COMET (threshold 0.75) to ensure high-quality training pairs.
  • Data Augmentation: Expanded with cross-lingual pairs (e.g., Target Premise - Source Hypothesis) and hard negatives mined using mE5.
  • Objective: Contrastive loss + KL-divergence distillation from BAAI/bge-reranker-v2-m3.

Citation

If you use this model or the AfriMTEB benchmark, please cite:

@article{uemura2025afrimteb,
  title={AfriMTEB and AfriE5: Benchmarking and Adapting Text Embedding Models for African Languages},
  author={Uemura, Kosei and Zhang, Miaoran and Adelani, David Ifeoluwa},
  journal={arXiv preprint},
  year={2025}
}

Acknowledgments

This work adapts the FlagEmbedding library. We thank the BAAI team for their open-source contributions.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
XLMRobertaModel
Ревизия весов
0d7a513

0 моделей