/ Модель

Характеристики

Контекст
514 токенов
Параметры
305 млн
Лицензия
Apache 2.0
Архитектура
xlm-roberta · dense
Базовая модель
multilingual-e5-base
Библиотека
sentence-transformers
Опубликована
4 дек 2025

kazembed-v5

ЭмбеддингиТекст → embedding9 профессий

Эмбеддинг-модель для поиска казахских текстов и извлечения релевантных фрагментов в RAG-системах.

329скачиваний за 30 дней2лайкавеса обновлены4 дек 2025

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 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

KazEmbed-V5 — это дообученная Nurlykhan модель эмбеддингов на базе intfloat/multilingual-e5-base, предназначенная прежде всего для поиска по текстам на казахском языке и построения RAG-систем. Модель использует архитектуру XLM-RoBERTa и содержит около 305 млн параметров по метаданным; README указывает 278 млн. Она преобразует запросы и фрагменты текста в векторы для поиска релевантных материалов и сопоставления предложений. Для наилучших результатов при поиске README рекомендует добавлять к запросам префикс «query:», а к документам — «passage:».

Сценарии применения

  • поиск ответов на казахские вопросы в коллекции документов
  • извлечение релевантных фрагментов для RAG
  • семантический поиск по казахским текстам
  • сопоставление запросов и документов на казахском языке

Ограничения

Модель оптимизирована для казахского языка, поэтому качество на других языках может отличаться. Она ориентирована на поиск и может быть менее подходящей для задач семантического сходства; для поиска рекомендуется использовать префиксы «query:» и «passage:».

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

KazEmbed-V5: Kazakh Embedding Model for RAG

🏆 Best BASE-size embedding model for Kazakh language retrieval tasks

Model Description

KazEmbed-V5 is a fine-tuned version of multilingual-e5-base optimized for Kazakh language retrieval and RAG (Retrieval-Augmented Generation) applications.

Key Features

  • 🇰🇿 Specialized for Kazakh: Fine-tuned on 61,255 Kazakh text pairs
  • 📈 +2.1% MRR improvement over multilingual-e5-base
  • ⚡ Efficient: 278M parameters (base-size model)
  • 🔍 RAG-optimized: Trained specifically for retrieval tasks

Benchmark Results

ModelHits@1Hits@5MRRParams
KazEmbed-V5 (Ours)72%96%0.835278M
multilingual-e5-base72%96%0.818278M
multilingual-e5-large85%99%0.909560M
paraphrase-mpnet-v253%80%0.648278M
LaBSE48%73%0.601471M

Evaluated on KazQAD test set with TF-IDF hard negatives (100 candidates per query)

Usage

Installation

pip install sentence-transformers

Basic Usage

from sentence_transformers import SentenceTransformer

model = SentenceTransformer('YOUR_USERNAME/kazembed-v5')

# For queries (questions)
query = "query: Қазақстанның астанасы қай қала?"
query_embedding = model.encode(query)

# For passages (documents)
passage = "passage: Астана — Қазақстан Республикасының астанасы."
passage_embedding = model.encode(passage)

# Calculate similarity
from sklearn.metrics.pairwise import cosine_similarity
similarity = cosine_similarity([query_embedding], [passage_embedding])[0][0]
print(f"Similarity: {similarity:.4f}")

For RAG Applications

from sentence_transformers import SentenceTransformer
import numpy as np

model = SentenceTransformer('YOUR_USERNAME/kazembed-v5')

# Your document corpus
documents = [
    "Астана — Қазақстан Республикасының астанасы.",
    "Алматы — Қазақстанның ең үлкен қаласы.",
    "Қазақстан — Орталық Азиядағы мемлекет.",
]

# Encode documents (do once, store in vector DB)
doc_embeddings = model.encode(["passage: " + doc for doc in documents])

# Query
query = "Қазақстанның астанасы қай қала?"
query_embedding = model.encode("query: " + query)

# Find most similar
similarities = np.dot(doc_embeddings, query_embedding)
best_idx = np.argmax(similarities)
print(f"Best match: {documents[best_idx]}")

Training Details

Training Data

DatasetPairsDescription
KazQAD6,640Question-Context pairs
KazQAD-Retrieval44,615Title-Text pairs
Powerful-Kazakh-Dialogue10,000User-Assistant pairs
Total61,255Retrieval-focused pairs

Training Configuration

  • Base Model: intfloat/multilingual-e5-base
  • Epochs: 2
  • Batch Size: 16
  • Learning Rate: 1e-5
  • Loss: MultipleNegativesRankingLoss
  • Hardware: NVIDIA GPU

Training Strategy

We found that:

  1. Retrieval-only data works best (no NLI/STS data)
  2. 2 epochs is optimal (1 = underfit, 3 = overfit)
  3. Larger batch size (16) provides more in-batch negatives

Limitations

  • Optimized for Kazakh; performance on other languages may vary
  • Best for retrieval tasks; may not be optimal for semantic similarity
  • Requires query: and passage: prefixes for best results

Citation

@misc{kazembed2024,
  title={KazEmbed-V5: A Fine-tuned Embedding Model for Kazakh Language Retrieval},
  author={Your Name},
  year={2024},
  howpublished={HuggingFace Hub}
}

Acknowledgments

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
5c701d7

0 моделей