/ Модель
Каталог

Характеристики

Контекст
514 токенов
Параметры
659 млн
Лицензия
Apache 2.0
Архитектура
xlm-roberta · dense
Опубликована
12 авг 2025

Ссылки

Hugging Face

PwC-Embedding_expr

SamilPwC-AXNode-GenAI
ЭмбеддингиТекст → embedding7 профессий

Экспериментальная модель эмбеддингов PwC на базе multilingual E5, дообученная для сравнения корейских текстов и оценки их семантического сходства.

416скачиваний за 30 дней8лайковвеса обновлены18 авг 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.

Открыть конструктор бенчмарка

Публичные оценки28

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

  • FloresBitextMining

    Среднее по поднаборам

    Результат

    0,9087

    MTEB

    Расчёт каталогадругая ревизия

  • MTOPDomainClassification

    main_score

    Результат

    0,8461

    MTEB

    Публичная таблицадругая ревизия

  • NTREXBitextMining

    main_score

    Результат

    0,2499

    Общий результат 0,9874Общий результат 0,9723Общий результат 0,9706
    MTEB

    Публичная таблицадругая ревизия

  • MultiLongDocReranking

    main_score

    Результат

    0,2733

    MTEB

    Публичная таблицадругая ревизия

  • PublicHealthQA

    main_score

    Результат

    0,8346

    MTEB

    Публичная таблицадругая ревизия

  • MIRACLRetrievalHardNegatives.v2

    main_score

    Результат

    0,7112

    MTEB

    Публичная таблицадругая ревизия

  • BibleNLPBitextMining

    main_score

    Результат

    0,9844

    Общий результат 0,9694
    MTEB

    Публичная таблицадругая ревизия

  • SIB200ClusteringS2S

    main_score

    Результат

    0,371

    MTEB

    Публичная таблицадругая ревизия

  • SIB200Classification

    main_score

    Результат

    0,7321

    Общий результат 0,7
    MTEB

    Публичная таблицадругая ревизия

  • WebFAQBitextMiningQAs

    main_score

    Результат

    0,9853

    Общий результат 0,9751
    MTEB

    Публичная таблицадругая ревизия

  • XQuADRetrieval

    main_score

    Результат

    0,942

    MTEB

    Публичная таблицадругая ревизия

  • MTOPIntentClassification

    main_score

    Результат

    0,6322

    MTEB

    Публичная таблицадругая ревизия

  • MultiLongDocRetrieval

    main_score

    Результат

    0,1657

    Общий результат 0,1502
    MTEB

    Публичная таблицадругая ревизия

  • BelebeleRetrieval

    main_score

    Результат

    0,8967

    Общий результат 0,8015
    MTEB

    Публичная таблицадругая ревизия

  • MIRACLReranking

    main_score

    Результат

    0,6181

    Общий результат 0,7231
    MTEB

    Публичная таблицадругая ревизия

  • MultilingualSentimentClassification

    main_score

    Результат

    0,7369

    MTEB

    Публичная таблицадругая ревизия

  • MassiveIntentClassification

    main_score

    Результат

    0,6334

    Общий результат 0,6263
    MTEB

    Публичная таблицадругая ревизия

  • WisesightSentimentClassification.v2

    main_score

    Результат

    0,3756

    MTEB

    Публичная таблицадругая ревизия

  • WebFAQRetrieval

    main_score

    Результат

    0,7244

    MTEB

    Публичная таблицадругая ревизия

  • MIRACLRetrieval

    main_score

    Результат

    0,6462

    MTEB

    Публичная таблицадругая ревизия

  • MassiveScenarioClassification

    main_score

    Результат

    0,6783

    Общий результат 0,6767
    MTEB

    Публичная таблицадругая ревизия

  • KLUE-STS

    main_score

    Результат

    0,8842

    MTEB

    Публичная таблицадругая ревизия

  • MrTidyRetrieval

    main_score

    Результат

    0,6958

    MTEB

    Публичная таблицадругая ревизия

  • WebFAQBitextMiningQuestions

    main_score

    Результат

    0,9787

    Общий результат 0,9591
    MTEB

    Публичная таблицадругая ревизия

  • MIRACLRetrievalHardNegatives

    main_score

    Результат

    0,7112

    MTEB

    Публичная таблицадругая ревизия

  • Tatoeba

    main_score

    Результат

    0,9659

    MTEB

    Публичная таблицадругая ревизия

  • XNLI

    main_score

    Результат

    0,7838

    Общий результат 0,7745
    MTEB

    Публичная таблицадругая ревизия

  • KLUE-TC

    main_score

    Результат

    0,73

    MTEB

    Публичная таблицадругая ревизия

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

PwC-Embedding-expr — мультиязычная модель эмбеддингов, разработанная PwC-AXNode и дообученная на базе intfloat/multilingual-e5-large-instruct для повышения качества представления корейских текстов. Авторы использовали расширенные наборы данных для задач семантического сходства и сбалансировали их при дообучении.

Модель построена на архитектуре XLM-RoBERTa и выдаёт векторы размерности 1024. Она подходит для сравнения предложений и оценки семантического сходства; в README приведены результаты оценки на корейской части MTEB, включая KLUE-STS. Максимальная длина входа — 514 токенов. Модель экспериментальная и находится в разработке; распространяется по лицензии Apache-2.0.

Сценарии применения

  • сравнение смыслового сходства корейских предложений
  • поиск семантически похожих корейских текстов
  • ранжирование корейских предложений по релевантности запросу

Ограничения

Модель экспериментальная и продолжает разрабатываться. Максимальная длина входа ограничена 514 токенами; опубликованная оценка в README относится к корейскому подмножеству MTEB.

Для каких профессий подходит7

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии
I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделейI.1Универсальные способностиПоиск и навигация по информацииAI помогает находить нужные сведения и помогать человеку быстро переходить от вопроса к подтверждённому источнику.18 задач13 467моделейI.12Универсальные способностиРекомендации и персонализацияAI помогает подбирать релевантные варианты и адаптировать опыт под конкретного человека или ситуацию.15 задач7 627моделейI.2Универсальные способностиСинтез, понимание и проверка знанийAI помогает сжимать, сопоставлять и критически проверять знания без потери существенного контекста.18 задач42 341модель

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

PwC-Embedding-expr

We trained the PwC-Embedding-expr model on top of the multilingual-e5-large-instruct embedding model.
To enhance performance in Korean, we applied our curated augmentation to STS datasets and fine-tuned the E5 model using a carefully balanced ratio across datasets.

⚠️ This is an experimental model and is under continuous development.

To-do

  • MTEB Leaderboard
  • Technical Report

MTEB

PwC-Embedding_expr was evaluated on the Korean subset of MTEB.
A leaderboard link will be added once it is published.

TaskPwC-Embedding_expr
KLUE-STS0.88
KLUE-TC0.73
Ko-StrategyQA0.80
KorSTS0.84
MIRACL-Reranking0.72
MIRACL-Retrieval0.65
Average0.77

Model

Requirements

It works with the dependencies included in the latest version of MTEB.

Citation

TBD (technical report expected September 2025)

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
XLMRobertaModel
Ревизия весов
6c51969

0 моделей

    Создать бенчмарк