/ Модель

Характеристики

Контекст
512 токенов
Параметры
124 млн
Лицензия
MIT
Архитектура
bert · dense
Базовая модель
Multilingual-MiniLM-L12-H384
Библиотека
sentence-transformers
Опубликована
25 июл 2026

sakthai-embedding-multilingual

ЭмбеддингиТекст → embedding10 профессий

Многоязычная модель SakThai создаёт 384-мерные эмбеддинги предложений для семантического поиска и RAG между языками.

113скачиваний за 30 дней0лайковвеса обновлены1 авг 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 оценки1

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

  • local-cron

    cosine_similarity

    Результат

    0,92

    sentence-similarity 0,9142
    Hugging Face Eval Results

    Отчёт автораревизия не подтверждена

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

SakThai Multilingual Embedding — модель семейства SakThai, созданная на основе Multilingual-MiniLM-L12-H384 и дообученная для получения векторных представлений предложений. Она строит 384-мерные эмбеддинги, в которых тексты близкого смысла располагаются рядом, в том числе если они написаны на разных языках. Модель предназначена для многоязычного семантического поиска, извлечения контекста для RAG, сравнения предложений, кластеризации и поиска дубликатов. Заявлена поддержка более 50 языков; архитектура BERT имеет 12 слоёв, размер модели по метаданным — 124,3 млн параметров, контекст — до 512 токенов. Использовать её можно через sentence-transformers локально или развернуть на TEI endpoint. Лицензия — MIT.

В карточке подтверждены локальная загрузка и кодирование на CPU, но приведённые проверки являются лишь smoke-тестами. Формальные оценки MTEB и STS для этой дообученной модели пока не опубликованы, а показатели базовой модели не следует считать результатами SakThai. Серверless API Hugging Face, согласно README, модель не поддерживает; длинные документы требуют разбиения на фрагменты, а качество может снижаться для малоресурсных языков и отдельных языковых пар.

Сценарии применения

  • поиск документов на одном языке по запросу на другом
  • извлечение контекста из многоязычного корпуса для RAG
  • сравнение семантической близости предложений
  • поиск межъязыковых дубликатов
  • кластеризация текстов на разных языках

Ограничения

Формальные результаты MTEB и STS для этой версии не опубликованы, а качество может различаться между языками, особенно для малоресурсных. Hosted inference через стандартный роутер Hugging Face не поддерживается; контекст ограничен 512 токенами.

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

Model Description

SakThai Multilingual Embedding is a BERT-based sentence-transformers model producing 384-dimensional cross-lingual embeddings. Sentences with similar meaning map close together regardless of language — enabling multilingual retrieval and comparison without translation.

What makes it special:

  • 🌍 50+ languages (multilingual MiniLM vocabulary, 250K tokens)
  • 🖥️ CPU inference — verified locally (see Evaluation & Verification)
  • 💾 Lightweight architecture — ~118M parameters, 470 MB fp32 safetensors
  • 🔗 Cross-lingual — query in English, retrieve in Thai, French, Japanese, etc.
  • 📦 Perfect for multilingual RAG pipelines
  • 🚀 Fastest-growing SakThai embedding model — 627 downloads, live 2026-08-01

Quick Start

from sentence_transformers import SentenceTransformer

model = SentenceTransformer("Nanthasit/sakthai-embedding-multilingual")

sentences = [
    "I love machine learning",
    "J'adore l'apprentissage automatique",
    "Ich liebe maschinelles Lernen",
    "Me encanta el aprendizaje automático",
    "ฉันชอบการเรียนรู้ของเครื่อง",
    "我喜欢机器学习",
]
embeddings = model.encode(sentences)
print(embeddings.shape)  # (6, 384)

from sklearn.metrics.pairwise import cosine_similarity
sim = cosine_similarity([embeddings[0]], [embeddings[1]])
print(f"Cross-lingual similarity: {sim[0][0]:.3f}")

Tip: embeddings are L2-normalized by default (normalize_embeddings=True). For large corpora, use model.encode(docs, batch_size=32) to avoid memory spikes.

Batch Encoding for Large Corpora

from sentence_transformers import SentenceTransformer

model = SentenceTransformer("Nanthasit/sakthai-embedding-multilingual")

# Stream from disk in chunks
def stream_docs(path, chunk_size=1000):
    with open(path) as f:
        chunk = []
        for line in f:
            chunk.append(line.strip())
            if len(chunk) >= chunk_size:
                yield chunk
                chunk = []
        if chunk:
            yield chunk

for docs in stream_docs("corpus.txt"):
    embs = model.encode(docs, batch_size=64, show_progress_bar=True)
    # write to FAISS / Qdrant / disk

Cross-lingual Semantic Search

from sentence_transformers import SentenceTransformer, util

model = SentenceTransformer("Nanthasit/sakthai-embedding-multilingual")
docs = [
    "Neural networks are inspired by the brain.",
    "Les réseaux de neurones sont inspirés par le cerveau.",
    "Künstliche Intelligenz verändert die Welt.",
    "人工知能は世界を変える",
    "Machine learning is a subset of AI.",
]
doc_emb = model.encode(docs, convert_to_tensor=True)

query = "how do neural networks work?"
query_emb = model.encode(query, convert_to_tensor=True)
scores = util.cos_sim(query_emb, doc_emb)[0]
print(f"Best match: {docs[scores.argmax()]}")

Architecture

PropertyValue
Base architectureMultilingual-MiniLM-L12-H384 (BERT-style)
Hidden size384
Layers / heads12 / 12
Intermediate size1,536
Embedding dim384
Poolingmean (verified 1_Pooling/config.json)
Max sequence length512 tokens
Vocabulary250,037 (multilingual)
Parameters117,653,760 (~118M)
Weights470 MB (fp32 model.safetensors)
LicenseMIT

Training Details

HyperparameterValue
Base modelmicrosoft/Multilingual-MiniLM-L12-H384
Fine-tuning methodSupervised contrastive / paraphrase loss via sentence-transformers
Training datasetssakthai-combined-v6, sakthai-combined-v7, SimpleToolCalling, sakthai-kaggle-notebooks, sakthai-irrelevance-supplement, food-penguin-v1, sakthai-bench-v1
EpochsMultiple epochs on mixed corpus
Batch sizeDataset-dependent
OptimizerAdamW
Learning rateTypical ST SBERT range
Precisionfp32 safetensors
HardwareFree T4 GPU credits; $0 budget
Outputmodel.safetensors, tokenizer.json, config.json

Evaluation & Verification

Local inference is verified (2026-07-30, committed to .eval_results/inference-check-20260730_232754.yaml):

CheckResult
Embedding dimensions384 (float32) ✅
Model load time7.06 s
Encode call time0.211 s
Methodsentence_transformers locally

Health check (.eval_results/health-check-sakthai-embedding-multilingual-2026-07-30-4.yaml):

  • 📈 Download velocity rank: 2/19
  • 📊 Download rank: 6/19 · Card quality: 90/100 · Repo hygiene: 90/100

Verified smoke benchmark (2026-08-01):

PairCosine similarity
English ↔ French0.9142
English ↔ Thai0.8927
English ↔ Chinese0.9016
French ↔ German0.8804
Thai ↔ Chinese0.8611

These scores come from live local inference and are saved in the repo's .eval_results/ history. This is a smoke check, not a formal MTEB run.

Hosted inference — honest status: the HF serverless router returns 400 Model not supported by provider hf-inference and api-inference.hf.co returns 403. For production, run locally with sentence-transformers or on a dedicated TEI endpoint.

Formal benchmarks (STS-B, MTEB-style retrieval): pending. No verified scores are published yet. As the base architecture is the same 12-layer / 384-dim multilingual MiniLM family as paraphrase-multilingual-MiniLM-L12-v2, expected STS performance is in that family's ballpark (~0.75–0.85 Spearman) — estimated, not yet verified. Proper cross-lingual retrieval and STS results will be published via the SakThai Leaderboard Space when available.

Deployment Options

PathHowStatus
Local (recommended)SentenceTransformer("Nanthasit/sakthai-embedding-multilingual") — verified, zero cost✅ Verified
TEI / Inference EndpointsTagged text-embeddings-inference + endpoints_compatible; serve with a TEI endpoint for high-throughput batch embeddingOptional
Serverless HF API⚠️ Not currently supported by the router provider (verified 2026-07-30) — use local or TEI❌ 400/403

When to Use

  • Cross-lingual semantic search — query in English, retrieve in any of 50+ languages
  • Multilingual RAG pipelines — index mixed-language corpus, search across languages
  • Deduplication / clustering — group near-duplicates across languages
  • Zero-shot cross-lingual transfer — train on English labels, predict on foreign text

Pipeline Integration

StageModelRole
🔍 RetrieveEmbedding Multilingual ⬅Cross-lingual semantic search, 50+ langs
🧠 ReasonContext 1.5B or 7BTool-calling & reasoning
👁️ SeeVision 7BImage understanding
🎤 SpeakTTS ModelText-to-speech

Limitations

  • No verified MTEB/STS scores yet. Published numbers are base-model estimates, not this fine-tune’s measured results.
  • Hosted inference is unsupported on the default HF inference router; requires local sentence-transformers or a dedicated TEI endpoint.
  • Speed/throughput claims are relative. Local encode latency is single-device CPU; GPU/batch performance will differ.
  • Quality varies by language pair. High-resource languages are stronger; low-resource cross-lingual pairs may degrade.
  • Context is 512 tokens. Longer documents need chunking or a longer-context reranker.
  • No multilingual benchmark card yet. Leaderboard results will appear when formally evaluated.
  • Community model, not production SRE. Built on free-tier credits; no commercial SLA.
  • Zero-budget constraint. We cannot run large-scale public MTEB/beIR benchmarks on paid compute yet.

SakThai Model Family 🏠

All 20 public SakThai models + 2 companion repos (downloads live, 2026-08-01):

ModelDownloadsSizeRole
Context 1.5B Merged1,8553.1 GBFlagship 1.5B tool-calling LLM
Context 0.5B Merged1,692988 MBEdge 0.5B tool-calling LLM
Context 7B Merged1,02415.2 GBFlagship 7B LLM
Embedding Multilingual ⬅627470 MBCross-lingual retrieval
Context 7B 128K610config-onlyYaRN 128K long-context recipe
Context 7B Tools489LoRA 20 MB7B tool-use adapter
Context 1.5B Tools477LoRA 9 MB1.5B tool-use adapter
Context 1.5B Merged V23373.1 GBMerged V2 weights
Vision 7B3154.1 GBImage understanding (LLaVA) ⭐ 1 like
Plus 1.5B LoRA306LoRA 74 MBPlus 1.5B adapter
Context 0.5B Tools251988 MBEdge tool-calling
TTS Model248141 MBText-to-speech (Kokoro)
Plus 1.5B2443.1 GBNew 1.5B base
Context 1.5B Tools V2173LoRA 74 MBRefined 1.5B tool adapter
Coder 1.5B1511.1 GBCode generation (GGUF)
Coder Browser543.1 GBBrowser-agent LLM
Coder Browser GGUF357.1 GBBrowser-agent GGUF (F16)
Embedding (English, private)2391 MBEnglish-only embedding (token-required)
Coder Browser LoRA21LoRA 74 MBBrowser-agent adapter
Plus 1.5B Coder0plannedCoder variant (no weights yet)

Companion repos:

RepoRole
Bench V3Benchmark scaffold (no weights)
PipelineCI/CD automation, evals, health checks

📦 View the whole family collection

The House of Sak 🏠

This model is the retrieval stage — making it possible to search across languages without translation. Built from a shelter in Cork, Ireland, with $0 budget and a belief that AI should be for everyone.

"We are one family — and becoming more." — Beer (beer-sakthai)


Support

  • ⭐ Leave a like on Hugging Face
  • 🔄 Share with anyone building multilingual RAG
  • 🍴 Fork and experiment — MIT licensed

License

MIT — free to use, modify, and share.


Citation

@misc{sakthai-multilingual-embedding-2026,
  title  = {SakThai Multilingual Embedding},
  author = {Beer (beer-sakthai) and SakThai},
  year   = {2026},
  url    = {https://huggingface.co/Nanthasit/sakthai-embedding-multilingual}
}

If you use the base architecture, also cite:

@misc{multilingual-minilm-2022,
  title  = {Multilingual MiniLM},
  author = {Wang, Liang and others},
  year   = {2022},
  url    = {https://huggingface.co/microsoft/Multilingual-MiniLM-L12-H384}
}

"We are one family — and becoming more." 🏠

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
600c2da

0 моделей