AtmicEmbedding (English query→passage)
Contrastive continue-training of v1 with mined hard negatives. Use query: / passage: prefixes + mean pooling + L2 normalize.
Характеристики
- Контекст
- 514 токенов
- Параметры
- 659 млн
- Лицензия
- MIT
- Архитектура
- xlm-roberta · dense
- Базовая модель
- multilingual-e5-large
- Опубликована
- 22 июн 2026
Ссылки
AtmicEmbeddingv2
Дообученная на сложных негативных примерах модель XLM-RoBERTa для построения эмбеддингов и семантического поиска по английским запросам и документам.
145скачиваний за 30 дней0лайковвеса обновлены22 июн 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.
Добавьте модель в бенчмарк
Вместе с другими моделями категории «Эмбеддинги» — сравнение идёт внутри одной категории.
Опишите свои задачи
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
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
AtmicEmbeddingv2 — модель семантических эмбеддингов, разработанная SriRamanaAtmic на базе intfloat/multilingual-e5-large и дообученная контрастивным методом с использованием подобранных сложных негативных примеров. Она предназначена прежде всего для поиска по текстам в схеме «запрос → документ»: перед запросом используйте префикс «query: », перед документом — «passage: », затем применяйте mean pooling и L2-нормализацию эмбеддингов.
Модель основана на XLM-RoBERTa, содержит 658,7 млн параметров и принимает текст с контекстом до 514 токенов. Карточка указывает английские запросы и документы. Модель распространяется под лицензией MIT.
Сценарии применения
- семантический поиск документов по английскому запросу
- поиск подходящих фрагментов для англоязычной RAG-системы
- сравнение близости английского запроса и документа
- извлечение релевантных passages по текстовому запросу
Ограничения
Для корректного использования нужны префиксы «query: » и «passage: », mean pooling и L2-нормализация. Карточка описывает сценарий для английских запросов и документов; указанный контекст ограничен 514 токенами.
Для каких профессий подходит9
Разделы каталога профессий, в задачах которых используется эта модель
I.1Универсальные способностиПоиск и навигация по информацииAI помогает находить нужные сведения и помогать человеку быстро переходить от вопроса к подтверждённому источнику.18 задач13 467моделейII.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделейI.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделейII.6Разработка и данныеДокументация и сопровождение разработкиAI помогает поддерживать понятную техническую документацию и ускорять передачу знаний.18 задач38 015моделей
Также подходит для
Карточка модели
README от автора на Hugging Face, как он его опубликовал
Как запустить
На своей GPU в ailist. Цена — по текущим предложениям провайдеров
GPU в ailist
Универсальный рантайм
Подбираем GPU…
- Класс архитектуры
- XLMRobertaModel
- Ревизия весов
- 2e57ca8