/ 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
6 мар 2026

tamil-embed-base

ЭмбеддингиТекст → embedding10 профессий

Дообученная модель эмбеддингов для семантического поиска и сопоставления текста на тамильском и английском языках.

677скачиваний за 30 дней0лайковвеса обновлены11 мар 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 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

Tamil-Embed-Base — модель эмбеддингов предложений, разработанная для работы с тамильским языком и дообученная на базе intfloat/multilingual-e5-base. Она использует архитектуру XLM-RoBERTa и содержит 305,2 млн параметров по метаданным; README указывает 278 млн. Модель преобразует текст в векторы для семантического поиска, сравнения предложений и межъязыкового поиска между тамильским и английским языками. Её обучали в два этапа: на парах для NLI, затем на параллельном корпусе Samanantar с трудными негативными примерами.

Размер эмбеддинга — 768 измерений; Matryoshka-представления позволяют использовать усечённые векторы размером 512, 256, 128 или 64 измерения, чтобы ускорить поиск. Максимальная длина контекста — 514 токенов. Модель распространяется под лицензией Apache-2.0. README приводит результаты на межъязыковом бенчмарке, но таблица показана не полностью; поэтому по ней нельзя оценить качество на всех заявленных сценариях.

Сценарии применения

  • семантический поиск по документам на тамильском языке
  • поиск тамильских документов по запросу на английском языке
  • сравнение смысла тамильских и английских предложений
  • кластеризация тамильских документов по смыслу
  • подбор контекста на тамильском языке для RAG

Ограничения

Контекст ограничен 514 токенами. Приведённая в README таблица результатов бенчмарка неполная, поэтому она не позволяет оценить качество для всех языковых пар и сценариев.

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

Tamil-Embed-Base

A Tamil-specialized sentence embedding model fine-tuned from multilingual-e5-base (278M parameters) using Matryoshka representation learning.

Paper: "A Thousand Language Problem: Morphological Understanding in Linguistic AI"

Model Details

PropertyValue
Base modelintfloat/multilingual-e5-base
Parameters278M
Embedding dimensions768 (supports Matryoshka: 768, 512, 256, 128, 64)
Training dataNLI entailment pairs (ta) + Samanantar parallel corpus (~50K pairs)
Loss functionMatryoshkaLoss + MultipleNegativesRankingLoss

Training

Two-stage training pipeline:

  1. Stage 1 (NLI Warm-up): Fine-tune on Tamil NLI entailment pairs (ANLI, FEVER, LING, MNLI, WANLI) with MatryoshkaLoss wrapping MultipleNegativesRankingLoss
  2. Stage 2 (Retrieval): Fine-tune on Samanantar English-Tamil parallel corpus with hard negatives

MTEB Results

IndicCrosslingualSTS benchmark (Spearman correlation):

Language PairScore
en-hi (Hindi)0.640
en-kn (Kannada)0.584
en-ml (Malayalam)0.582
en-bn (Bengali)0.537
en-pa (Punjabi)0.536
en-gu (Gujarati)0.533
en-as (Assamese)0.512
en-ta (Tamil)0.489
en-mr (Marathi)0.485
en-te (Telugu)0.468

Usage

from sentence_transformers import SentenceTransformer

model = SentenceTransformer("Tamil-ai/tamil-embed-base")

sentences = [
    "query: தமிழ் மொழியின் வரலாறு என்ன?",
    "passage: தமிழ் மொழி 2000 ஆண்டுகளுக்கும் மேலான வரலாற்றைக் கொண்ட செம்மொழியாகும்.",
    "passage: Python is a popular programming language.",
]

embeddings = model.encode(sentences)
print(embeddings.shape)  # (3, 768)

# Compute similarity
from sentence_transformers.util import cos_sim
similarities = cos_sim(embeddings[0], embeddings[1:])
print(similarities)  # Tamil passage should score higher

Matryoshka (variable dimensions)

# Use smaller dimensions for faster search with minimal quality loss
embeddings_256 = model.encode(sentences, output_value="sentence_embedding")[:, :256]
embeddings_128 = model.encode(sentences, output_value="sentence_embedding")[:, :128]

Intended Use

  • Tamil semantic search and retrieval
  • Cross-lingual English-Tamil similarity
  • Tamil document clustering
  • RAG (Retrieval Augmented Generation) for Tamil

Citation

@misc{tamilai2026embed,
  title={A Thousand Language Problem: Morphological Understanding in Linguistic AI},
  author={Tamil-AI},
  year={2026},
  publisher={HuggingFace},
  url={https://huggingface.co/Tamil-ai/tamil-embed-base}
}

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
a5b5aa2

0 моделей