/ Модель

Характеристики

Контекст
512 токенов
Лицензия
Apache 2.0
Архитектура
mentee_embed · dense
Библиотека
transformers
Опубликована
25 авг 2026

mentee-embed-v3

Сходство предложенийТекст → score10 профессий

Компактная многоязычная модель MenteE AI создаёт эмбеддинги предложений для поиска по смыслу на английском, арабском и урду.

22скачиваний за 30 дней1лайквеса 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-v3 — модель для получения плотных векторных представлений текстов, разработанная Syed Syab Ahmad Shah и командой MenteE AI. Она предназначена для поиска по смыслу, сравнения предложений и многоязычного извлечения документов на английском, арабском и урду.

Модель содержит 41 млн параметров и построена на 12-слойном Transformer с размерностью эмбеддингов 384. Она обучена с нуля: авторы создали собственный BPE-токенизатор, провели предварительное обучение на более чем 2,1 млн предложений и затем применили контрастивное обучение с подбором трудных отрицательных примеров. Репозиторий использует Transformers и формат safetensors; метаданные указывают контекст до 512 токенов, а README — максимальную длину последовательности 128 токенов.

Модель показала результаты выше all-MiniLM-L6-v2 на описанном авторами тесте с небольшим пулом кандидатов, но уступает более крупным многоязычным базовым моделям. Качество ниже на арабском и урду, а на извлечении из Википедии она уступает предобученным конкурентам; полного набора MTEB нет. Лицензия — Apache-2.0.

Сценарии применения

  • поиск релевантных документов по запросу на английском
  • многоязычный семантический поиск на арабском и урду
  • сравнение смысловой близости двух предложений
  • поиск соответствий между английскими и урду текстами

Ограничения

На арабском и урду качество ниже, чем на английском, а результаты поиска по Википедии уступают предобученным базовым моделям. Модель пока не оценена на полном наборе MTEB; README сообщает ограниченный словарь и возможные проблемы токенизации редких письменностей и диалектов.

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

mentee-embed-v3

A 41M-parameter trilingual text embedding model trained entirely from scratch — no pretrained backbone, no BERT, no RoBERTa. Random initialization only.

Developed by Team MenteE AI (menteeai.org) as part of an ongoing research effort to build competitive multilingual embeddings from the ground up for Arabic, English, and Urdu.


Key Facts

PropertyValue
Parameters41M
Embedding dimension384
Max sequence length128 tokens
LanguagesArabic 🇸🇦 · English 🇬🇧 · Urdu 🇵🇰
Architecture12-layer Transformer, custom BPE tokenizer (50K vocab)
InitializationRandom (trained from scratch)
Training data~2.1M triplets (NLI + MS-MARCO + OPUS parallel + MIRACL)
PoolingMean pooling
Training objectiveRelational distillation + InfoNCE contrastive (teacher: multilingual-e5-base)

What "From Scratch" Means

Most embedding models fine-tune an existing pretrained encoder (BERT, RoBERTa, MPNet). mentee-embed-v3 does not. We:

  1. Trained a custom BPE tokenizer on Arabic, English, and Urdu text
  2. Initialized a 12-layer Transformer with random weights
  3. Ran masked language modeling pretraining on 2.1M+ sentences
  4. Applied two-round contrastive distillation with hard negative mining

No pretrained checkpoint was used at any stage.


Benchmark Results

All baselines evaluated under identical conditions on the same hardware.

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

Format: acc@1 / R@5 / MRR@10

Avg MRR@10 computed over 5 datasets: MIRACL-EN, MIRACL-AR, MIRACL-UR, xling EN-UR, MS-MARCO (val excluded from avg).

ModelMIRACL-ENMIRACL-ARMIRACL-URxling EN↔URMS-MARCOAvg MRR@10
mentee-embed-v3 (ours)0.636/0.920/0.7660.326/0.604/0.4750.290/0.568/0.4430.781/0.925/0.8480.517/0.981/0.7420.655
paraphrase-multilingual-mpnet-base-v20.864/1.000/0.9310.722/0.975/0.8390.686/0.950/0.8060.831/0.937/0.8800.665/0.998/0.8300.857
paraphrase-multilingual-MiniLM-L12-v20.854/0.997/0.9240.696/0.964/0.8190.621/0.908/0.7530.782/0.907/0.8410.600/0.998/0.7960.827
all-MiniLM-L6-v20.856/0.999/0.9270.025/0.109/0.1440.028/0.088/0.1400.065/0.172/0.1860.696/1.000/0.8480.449

✅ mentee-embed-v3 beats all-MiniLM-L6-v2 (0.655 vs 0.449) on Protocol A avg MRR@10 — despite all-MiniLM being a pretrained model.


Protocol B — MIRACL Wikipedia Corpus Retrieval (full ranking, ~5K–15K passages)

Format: MRR@10 · R@5 · R@100

ModelENARURAvg MRR@10
paraphrase-multilingual-mpnet-base-v20.853 · 0.923 · 0.9970.622 · 0.757 · 0.9470.534 · 0.680 · 0.9030.670
paraphrase-multilingual-MiniLM-L12-v20.840 · 0.933 · 0.9900.591 · 0.710 · 0.9430.469 · 0.557 · 0.8470.633
all-MiniLM-L6-v20.867 · 0.967 · 1.0000.100 · 0.000 · 0.0100.106 · 0.007 · 0.0130.358
mentee-embed-v3 (ours)0.418 · 0.473 · 0.8500.182 · 0.167 · 0.5000.180 · 0.143 · 0.4400.260

📌 Protocol B uses Wikipedia passages (MIRACL) — a challenging out-of-domain test for a model trained primarily on NLI and MS-MARCO data.


Protocol C — MS-MARCO Corpus Retrieval (10K passages, in-domain)

ModelMRR@10R@5R@100
all-MiniLM-L6-v20.9510.9931.000
paraphrase-multilingual-mpnet-base-v20.8820.9700.993
paraphrase-multilingual-MiniLM-L12-v20.8390.9100.997
mentee-embed-v3 (ours)0.6450.7600.957

🔥 0.645 MRR@10 from a randomly initialized 41M model — trained on 2.1M triplets vs billions for the baselines.
Gap to MiniLM-multilingual: only 0.194.


Training Data

SourceLanguageTripletsType
all-NLI (sentence-transformers)EN558KNLI triplets
XNLIAR128KNLI triplets
XNLIUR125KNLI triplets
OPUS-100 EN↔UREN/UR300KParallel translation
OPUS-100 AR↔ENAR/EN300KParallel translation
MS-MARCO BM25 tripletsEN500KPassage retrieval
MS-MARCO hard negativesEN200KHard retrieval
MIRACLEN/AR/UR~9KWikipedia retrieval
Total~2.1M

Training Pipeline

Stage 1 — MLM Pretraining
  Random init → masked language modeling on 2.1M sentences
  8,000 steps · batch=32 · vocab=50K BPE

Stage 2 — Distillation Round 1 (no hard negatives)
  Teacher: intfloat/multilingual-e5-base (768-dim)
  InfoNCE contrastive + relational distillation
  4,000 steps · batch=512 · temp=0.05

Stage 3 — Hard Negative Mining
  GPU-accelerated top-5 mining across full 2.1M corpus

Stage 4 — Distillation Round 2 (with hard negatives)
  Same objective + mined hard negatives per anchor
  10,000 steps · batch=512 · temp=0.05

Usage

# pip install torch transformers tokenizers huggingface_hub
from transformers import AutoModel, AutoTokenizer

tok   = AutoTokenizer.from_pretrained("MenteEAI/mentee-embed-v3", trust_remote_code=True)
model = AutoModel.from_pretrained("MenteEAI/mentee-embed-v3",   trust_remote_code=True)

sentences = [
    "Hello, how are you?",
    "مرحبا، كيف حالك؟",
    "ہیلو، آپ کیسے ہیں؟"
]

embeddings = model.encode(sentences, tokenizer=tok)
print(embeddings.shape)  # torch.Size([3, 384])

trust_remote_code=True is required — standard for custom-architecture models on HuggingFace. The code runs entirely on your machine.

Similarity search

from transformers import AutoModel, AutoTokenizer

tok   = AutoTokenizer.from_pretrained("MenteEAI/mentee-embed-v3", trust_remote_code=True)
model = AutoModel.from_pretrained("MenteEAI/mentee-embed-v3",   trust_remote_code=True)

query    = model.encode(["What is machine learning?"], tokenizer=tok)
passages = model.encode([
    "Machine learning is a subset of artificial intelligence.",
    "The weather today is sunny.",
    "تعلم الآلة هو فرع من فروع الذكاء الاصطناعي.",
], tokenizer=tok)

scores = query @ passages.T
print(scores)  # tensor([[0.81, 0.60, 0.79]])

Limitations

  • Protocol B (Wikipedia retrieval) scores are lower than pretrained baselines — the model was not trained on Wikipedia-style passages
  • Arabic and Urdu lag behind English due to less retrieval-specific training data (mMARCO Arabic/Urdu was unavailable in a compatible format)
  • Vocabulary limited to 50K tokens trained on ~2.1M sentences — rare scripts and dialects may tokenize poorly
  • Not evaluated on MTEB full suite yet

Citation

@misc{mentee-embed-v3-2026,
  title   = {How Far Can Multilingual Text Embeddings Be Trained From Scratch?
             A Compute-Efficient Study of Arabic, English, and Urdu},
  author  = {Shah, Syed Syab Ahmad and Sania, Shakeel and Hamza, Rustam and Mahboob, Iqbal},
  year    = {2026},
  doi     = {10.5281/zenodo.22117673},
  url     = {https://doi.org/10.5281/zenodo.22117673},
  note    = {MenteE AI. Apache-2.0 License}
}

About MenteE AI

Built by Syed Syab Ahmad Shah and Team MenteE AI. 🌐 menteeai.org · 📧 syab@menteeai.org Research paper: 10.5281/zenodo.22117673

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

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

Класс архитектуры
MenteeEmbedModel
Ревизия весов
60da417

0 моделей