/ Модель
Каталог

Характеристики

Контекст
8 194 токена
Параметры
659 млн
Лицензия
MIT
Архитектура
xlm-roberta · dense
Базовая модель
bge-m3
Библиотека
sentence-transformers
Опубликована
11 сен 2026

Ссылки

Hugging Face

ko-embed-cls

NGA-KR
ЭмбеддингиТекст → embedding

Корейская модель эмбеддингов для тематической классификации текстов и поиска похожих по смыслу заголовков.

62скачиваний за 30 дней0лайковвеса обновлены11 сен 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.

Открыть конструктор бенчмарка

Публичные оценки1

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

  • KLUE-TC

    main_score

    Результат

    0,8439

    MTEB

    Публичная таблицадругая ревизия

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

NGA-KR/ko-embed-cls — модель векторных представлений корейского текста, созданная разработчиком NGA-KR дообучением BAAI/bge-m3. Она предназначена прежде всего для классификации тем: например, новостные заголовки можно сравнивать по смыслу или использовать полученные эмбеддинги для отнесения текстов к тематическим категориям. Модель построена на архитектуре XLM-RoBERTa, содержит около 658,7 млн параметров и принимает текст с контекстом до 8194 токенов. Для получения векторов предусмотрена библиотека Sentence Transformers.

При дообучении использовалась обучающая часть KLUE-TC: 45 678 корейских заголовков новостей, размеченных по семи темам. В описании приведён результат 84,39% accuracy на KLUE-TC в MTEB (kor, v2); оценочные выборки при обучении не использовались. Модель выдаёт эмбеддинги, которые подходят для тематической классификации и поиска похожих по теме текстов. Распространяется по лицензии MIT.

Сценарии применения

  • Классификация корейских новостных заголовков по темам
  • Поиск заголовков новостей, похожих по смыслу
  • Группировка корейских текстов по тематическим категориям
  • Получение эмбеддингов для тематического поиска по корейским текстам

Ограничения

Дообучение и оценка описаны для корейских новостных заголовков и семи тем KLUE-TC; перенос качества на другие типы текстов и языки не подтверждён. В README указано, что оценочные выборки не использовались при обучении.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

NGA-KR/ko-embed-cls

Korean text embedding model (568M) fine-tuned from BAAI/bge-m3 for topic classification.

Training data

  • KLUE-TC (ynat) train split only (45,678 news titles, 7 topics), label-aware contrastive pairs (same-topic titles as positives, other-topic titles as hard negatives).
  • No evaluation splits were used. Declared as KLUE-TC in the MTEB model metadata; base-model training data is inherited from bge-m3.

Evaluation (MTEB(kor, v2))

TaskScore
KLUE-TC (Classification, accuracy)84.39

Training

CachedMultipleNegativesRankingLoss · batch 512 · lr 2e-5 · 1 epoch · max_len 128 · CLS pooling · bf16

Usage

from sentence_transformers import SentenceTransformer
m = SentenceTransformer("NGA-KR/ko-embed-cls")
e = m.encode(["삼성전자, 2분기 영업이익 10조 돌파", "손흥민 시즌 20호골"])

License

MIT (same as BAAI/bge-m3).

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
XLMRobertaModel
Ревизия весов
796cf34

0 моделей

    Создать бенчмарк