/ Модель

Характеристики

Контекст
512 токенов
Лицензия
Apache 2.0
Архитектура
mentee_embed · dense
Опубликована
24 авг 2026

mentee-embed-v1

Сходство предложенийТекст → score9 профессий

Компактная модель эмбеддингов для семантического сходства и мультиязычного поиска на английском, арабском и урду.

24скачиваний за 30 дней0лайковвеса обновлены26 авг 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

mentee-embed-v1 — компактная мультиязычная модель эмбеддингов текста от MenteE AI, созданная с нуля на основе собственного трансформерного энкодера в стиле Qwen. Модель содержит около 41 млн параметров, выдаёт векторы размерности 384 и рассчитана на английский, арабский и урду. Контекст ограничен 512 токенами по метаданным; при обучении последовательности ограничивались 128 токенами.

Модель предназначена для вычисления семантического сходства предложений и поиска релевантных документов, включая межъязыковой поиск между английским и урду. Её обучали в два этапа: маскированное языковое моделирование и дистилляция отношений от intfloat/multilingual-e5-base. По данным карточки, она обучалась на наборах NLI, XNLI, OPUS-100 и MIRACL; результаты показывают пригодность для лёгкого извлечения кандидатов и последующего ранжирования, но качество поиска по крупным корпусам уступает сильным мультиязычным базовым моделям.

Модель распространяется по лицензии Apache-2.0. Ограничения включают слабее качество на открытом поиске по большим корпусам, возможное снижение качества в специализированных областях и необходимость разбивать длинные документы на фрагменты. Для загрузки текущего формата model.pt требуется код из репозитория mentee-embeddings.

Сценарии применения

  • поиск похожих предложений на английском, арабском и урду
  • поиск документов по смыслу
  • межъязыковой поиск между английским и урду
  • извлечение кандидатов для последующего переранжирования
  • сравнение семантической близости текстовых фрагментов

Ограничения

Поиск по большим открытым корпусам слабее, чем у сильных мультиязычных базовых моделей; на специализированных текстах качество может снижаться. Для длинных документов нужна разбивка на фрагменты, а текущий формат model.pt требует кода из репозитория mentee-embeddings.

Для каких профессий подходит9

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

mentee-embed-v1 — Trilingual Embeddings Trained From Scratch

mentee-embed-v1 is a compact 41M-parameter multilingual text embedding model supporting Arabic, English, and Urdu, trained entirely from scratch — no pretrained BERT or transformer base was used.

Trained in two stages on a single RTX 5090 GPU.

🌐 menteeai.org · 👤 syab.tech


Model Details

PropertyValue
ArchitectureCustom Transformer Encoder (Qwen-style)
Parameters~41M
Embedding dimension384
Layers12
Attention heads12
Vocabulary50,000 BPE (trained from scratch)
Max sequence length128 tokens
LanguagesArabic 🇸🇦 · English 🇬🇧 · Urdu 🇵🇰
Training compute~$0.10 on RTX 5090

Training Recipe

Stage A — Masked Language Modeling

  • Trained from random initialization on 1.1M trilingual sentences
  • 6,000 steps, batch size 64, sequence length capped at 128
  • Final val_mlm_loss ≈ 5.79 (expected for 41M params / 50K vocab / 62M tokens)

Stage B — Relational Knowledge Distillation

  • Teacher: intfloat/multilingual-e5-base (768-dim)
  • Method: Relational MSE — aligns the cosine similarity matrix of the student to match the teacher's, batch-by-batch
  • Loss: rel_weight × MSE(C_student, C_teacher) + ce_weight × InfoNCE(anchor, positive)
  • 6,000 steps, batch size 512, lr 2e-4 with cosine decay
  • Final val acc@1 = 0.790 (128-way in-batch retrieval)

Training Data (1,110,575 triplets after dedup)

SourceLanguageTriplets
all-NLIEnglish557,850
XNLIArabic127,856
XNLIUrdu124,869
OPUS-100 en-urEnglish ↔ Urdu300,000

Benchmark Results

Evaluated against strong multilingual baselines on two protocols. Same test queries for every model.

Protocol A — In-batch Retrieval (pool ≈ 97 candidates)

Metrics: acc@1 / recall@5 / MRR@10

Modelvalmiracl_enmiracl_armiracl_urxling_en_uravg MRR@10
mentee-embed-v1 (ours)0.820 / 0.979 / 0.8950.345 / 0.650 / 0.5010.222 / 0.477 / 0.3730.183 / 0.419 / 0.3290.757 / 0.912 / 0.8290.585
paraphrase-multilingual-mpnet-base-v20.821 / 0.944 / 0.8790.864 / 1.000 / 0.9310.722 / 0.975 / 0.8390.686 / 0.950 / 0.8060.831 / 0.937 / 0.8800.867
paraphrase-multilingual-MiniLM-L12-v20.795 / 0.940 / 0.8640.854 / 0.997 / 0.9240.696 / 0.964 / 0.8190.621 / 0.908 / 0.7530.782 / 0.907 / 0.8410.840
all-MiniLM-L6-v20.484 / 0.636 / 0.5840.856 / 0.999 / 0.9270.025 / 0.109 / 0.1440.028 / 0.088 / 0.1400.065 / 0.172 / 0.1860.396

✅ mentee-embed-v1 beats all-MiniLM-L6-v2 across all metrics despite being trained from scratch. ✅ val acc@1 = 0.820 — beats paraphrase-MiniLM-L12-v2 (0.795) on the validation set. ✅ xling_en_ur acc@1 = 0.757 — strong cross-lingual English↔Urdu retrieval.


Protocol B — Corpus-pool Retrieval (15K docs per language, full ranking)

Metrics: MRR@10 · R@5 · R@100

ModelEnglishArabicUrduavg MRR@10
paraphrase-multilingual-mpnet-base-v2MRR 0.938 · R@5 0.973 · R@100 0.997MRR 0.678 · R@5 0.763 · R@100 0.920MRR 0.580 · R@5 0.633 · R@100 0.8430.732
paraphrase-multilingual-MiniLM-L12-v2MRR 0.921 · R@5 0.970 · R@100 0.997MRR 0.685 · R@5 0.740 · R@100 0.930MRR 0.518 · R@5 0.597 · R@100 0.8030.708
all-MiniLM-L6-v2MRR 0.920 · R@5 0.980 · R@100 1.000MRR 0.100 · R@5 0.000 · R@100 0.000MRR 0.100 · R@5 0.000 · R@100 0.0070.373
mentee-embed-v1 (ours)MRR 0.190 · R@5 0.163 · R@100 0.437MRR 0.193 · R@5 0.163 · R@100 0.450MRR 0.189 · R@5 0.137 · R@100 0.5170.190

The Protocol B gap vs baselines is expected: those models were trained on billions of pairs with hard negatives by large research teams. This model was trained on 1.1M pairs in a single GPU session. R@100 = 0.43–0.52 means the correct document is in the top 100 nearly half the time, which is meaningful for re-ranking pipelines.


Usage

Basic Sentence Embeddings

from tokenizers import Tokenizer
import torch
import torch.nn.functional as F
import numpy as np

# Load model
payload = torch.load("model.pt", map_location="cpu", weights_only=False)
from src.model import build_embedder
model = build_embedder(payload["encoder_config"], payload["vocab_size"])
model.load_state_dict(payload["state_dict"])
model.eval()

tok = Tokenizer.from_file("tokenizer.json")

def encode(texts):
    enc = tok.encode_batch(texts)
    ids = np.zeros((len(enc), max(len(e.ids) for e in enc)), dtype=np.int64)
    for i, e in enumerate(enc):
        ids[i, :len(e.ids)] = e.ids[:128]
    with torch.no_grad():
        emb = model(torch.from_numpy(ids))
    return F.normalize(emb, dim=-1).numpy()

texts = ["مرحبا بالعالم", "hello world", "دنیا میں خوش آمدید"]
embeddings = encode(texts)
print(embeddings.shape)  # (3, 384)

Semantic Similarity

from numpy import dot

emb = encode(["Information retrieval using embeddings", "How to search documents with vectors"])
similarity = dot(emb[0], emb[1])  # cosine similarity (vectors are normalized)
print(f"Similarity: {similarity:.3f}")

Limitations

  • Protocol B corpus gap — open-domain retrieval over large corpora is weaker than web-scale models. Best used as a lightweight retriever or re-ranker in a pipeline.
  • Training data scope — NLI + parallel translation data; may underperform on domain-specific retrieval (legal, medical, etc.)
  • Sequence length — capped at 128 tokens; longer documents should be chunked.
  • Script dependency — current model.pt format requires src/model.py from the mentee-embeddings repo to load. A sentence-transformers-compatible export is planned.

Author

Syed Syab Ahmad Shah is the founder of MenteE AI, building open-source multilingual NLP tools for underrepresented languages — with a focus on Arabic, Urdu, and English.

🌐 Portfoliosyab.tech
🐦 Twitter@SyabSays
💼 LinkedInlinkedin.com/in/syedsyab
🐙 GitHubgithub.com/syabahmad
📧 Emailsyab@menteeai.org · syedsyabahmadshah@gmail.com

Links


Citation

@misc{mentee-embed-v1,
  title  = {mentee-embed-v1: Trilingual Embeddings Trained From Scratch},
  author = {MenteE AI},
  year   = {2025},
  url    = {https://huggingface.co/MenteEAI/mentee-embed-v1}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Ревизия весов
2314aec

0 моделей