/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
151 млн
Лицензия
Gemma
Архитектура
gemma3_text · dense
Опубликована
4 ноя 2025

Tarka-Embedding-150M-V1

ЭмбеддингиТекст → embedding11 профессий

Компактная многоязычная embedding-модель для семантического поиска, сравнения текстов и извлечения документов в RAG-системах.

751скачиваний за 30 дней7лайковвеса обновлены18 ноя 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 оценки41

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

  • MedrxivClusteringS2S.v2

    main_score

    Результат

    0,4122

    MTEB

    Публичная таблицадругая ревизия

  • MedrxivClusteringP2P.v2

    main_score

    Результат

    0,4385

    MTEB

    Публичная таблицадругая ревизия

  • STS12

    main_score

    Результат

    0,7666

    MTEB

    Публичная таблицадругая ревизия

  • MTOPDomainClassification

    main_score

    Результат

    0,9842

    MTEB

    Публичная таблицадругая ревизия

  • MassiveIntentClassification

    main_score

    Результат

    0,83

    MTEB

    Публичная таблицадругая ревизия

  • STS17

    main_score

    Результат

    0,8882

    MTEB

    Публичная таблицадругая ревизия

  • StackExchangeClustering.v2

    main_score

    Результат

    0,6435

    MTEB

    Публичная таблицадругая ревизия

  • FEVERHardNegatives

    main_score

    Результат

    0,7403

    MTEB

    Публичная таблицадругая ревизия

  • STS22.v2

    main_score

    Результат

    0,6523

    MTEB

    Публичная таблицадругая ревизия

  • ToxicConversationsClassification

    main_score

    Результат

    0,8111

    MTEB

    Публичная таблицадругая ревизия

  • ArguAna

    main_score

    Результат

    0,5824

    MTEB

    Публичная таблицадругая ревизия

  • ImdbClassification

    main_score

    Результат

    0,9059

    MTEB

    Публичная таблицадругая ревизия

  • HotpotQAHardNegatives

    main_score

    Результат

    0,6528

    MTEB

    Публичная таблицадругая ревизия

  • TweetSentimentExtractionClassification

    main_score

    Результат

    0,6664

    MTEB

    Публичная таблицадругая ревизия

  • STSBenchmark

    main_score

    Результат

    0,8639

    MTEB

    Публичная таблицадругая ревизия

  • Banking77Classification

    main_score

    Результат

    0,9044

    MTEB

    Публичная таблицадругая ревизия

  • StackExchangeClusteringP2P.v2

    main_score

    Результат

    0,4682

    MTEB

    Публичная таблицадругая ревизия

  • STS13

    main_score

    Результат

    0,8381

    MTEB

    Публичная таблицадругая ревизия

  • MassiveScenarioClassification

    main_score

    Результат

    0,8976

    MTEB

    Публичная таблицадругая ревизия

  • SummEvalSummarization.v2

    main_score

    Результат

    0,3083

    MTEB

    Публичная таблицадругая ревизия

  • CQADupstackGamingRetrieval

    main_score

    Результат

    0,5675

    MTEB

    Публичная таблицадругая ревизия

  • SCIDOCS

    main_score

    Результат

    0,1734

    MTEB

    Публичная таблицадругая ревизия

  • CQADupstackUnixRetrieval

    main_score

    Результат

    0,3855

    MTEB

    Публичная таблицадругая ревизия

  • BiorxivClusteringP2P.v2

    main_score

    Результат

    0,5073

    MTEB

    Публичная таблицадругая ревизия

  • BIOSSES

    main_score

    Результат

    0,8248

    MTEB

    Публичная таблицадругая ревизия

  • Touche2020Retrieval.v3

    main_score

    Результат

    0,5684

    MTEB

    Публичная таблицадругая ревизия

  • TRECCOVID

    main_score

    Результат

    0,8139

    MTEB

    Публичная таблицадругая ревизия

  • STS15

    main_score

    Результат

    0,8711

    MTEB

    Публичная таблицадругая ревизия

  • FiQA2018

    main_score

    Результат

    0,4052

    MTEB

    Публичная таблицадругая ревизия

  • SICK-R

    main_score

    Результат

    0,8074

    MTEB

    Публичная таблицадругая ревизия

  • ArXivHierarchicalClusteringS2S

    main_score

    Результат

    0,5952

    MTEB

    Публичная таблицадругая ревизия

  • TwentyNewsgroupsClustering.v2

    main_score

    Результат

    0,463

    MTEB

    Публичная таблицадругая ревизия

  • AmazonCounterfactualClassification

    main_score

    Результат

    0,9025

    MTEB

    Публичная таблицадругая ревизия

  • TwitterURLCorpus

    main_score

    Результат

    0,8577

    MTEB

    Публичная таблицадругая ревизия

  • MindSmallReranking

    main_score

    Результат

    0,3062

    MTEB

    Публичная таблицадругая ревизия

  • ArXivHierarchicalClusteringP2P

    main_score

    Результат

    0,634

    MTEB

    Публичная таблицадругая ревизия

  • AskUbuntuDupQuestions

    main_score

    Результат

    0,607

    MTEB

    Публичная таблицадругая ревизия

  • STS14

    main_score

    Результат

    0,8208

    MTEB

    Публичная таблицадругая ревизия

  • ClimateFEVERHardNegatives

    main_score

    Результат

    0,2626

    MTEB

    Публичная таблицадругая ревизия

  • TwitterSemEval2015

    main_score

    Результат

    0,7003

    MTEB

    Публичная таблицадругая ревизия

  • SprintDuplicateQuestions

    main_score

    Результат

    0,8916

    MTEB

    Публичная таблицадругая ревизия

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Tarka-AIR разработала Tarka-Embedding-150M-V1 — компактную текстовую embedding-модель на 150,9 млн параметров на основе архитектуры Gemma 3 Text. Она преобразует текст в плотные векторы размерностью 768 для поиска, оценки семантического сходства и извлечения документов в RAG-системах. Контекст модели — до 2048 токенов; заявлена поддержка английского, арабского, китайского, французского, немецкого, японского, корейского и испанского языков. Модель обучена методом дистилляции знаний без меток на корпусе примерно из 2 млрд токенов. Для формирования запросов и документов README рекомендует использовать специальные префиксы, зависящие от сценария.

Модель подходит для семантического поиска, подбора похожих текстов, кластеризации и извлечения контекста для ответов на вопросы и проверки фактов. Авторы сообщают, что пока оценивали её только на англоязычном бенчмарке MTEB, поэтому качество для остальных заявленных языков не подтверждено опубликованными результатами. Лицензия — Gemma; перед использованием следует учитывать её условия.

Сценарии применения

  • семантический поиск по документам и статьям
  • поиск документов по естественно-языковому запросу
  • извлечение релевантных фрагментов для RAG и ответов на вопросы
  • сравнение текстов для выявления похожих материалов и дубликатов
  • кластеризация текстов по смыслу
  • поиск фрагментов кода по текстовому запросу

Ограничения

Опубликованные результаты оценки приведены только для англоязычного MTEB; качество на остальных заявленных языках не подтверждено такими результатами. Контекст ограничен 2048 токенами, а использование регулируется лицензией Gemma.

Для каких профессий подходит11

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

Introduction

Tarka-Embedding-150M-V1 is a 150M parameter embedding model designed to produce 768-dimensional dense text representations. It is optimized for a wide range of downstream applications such as semantic similarity, search, and retrieval-augmented generation (RAG). The model focuses on capturing deep contextual semantics to support general-purpose text understanding across diverse domains.

The model is trained using Data-Free Knowledge Distillation (DFKD). To prepare the training data, standard open-source datasets were used only as a source of raw textual content — all labels, annotations, and structural elements were stripped to create a plain, unlabeled text corpus. The resulting dataset contained approximately 2 billion tokens, all of which were used during model training.

Find more information about Tarka-Embedding-150M-V1 in our blog post.

[!NOTE] 🚀 Try our demo: https://huggingface.co/spaces/Tarka-AIR/Tarka-Embedding

Model Details

Tarka-Embedding-150M-V1 has the following features:

  • Model Type: Text Embedding
  • Supported Languages: English, Arabic, Chinese, French, German, Japanese, Korean, and Spanish.
  • Number of Paramaters: 150M
  • Context Length: 2048
  • Embedding Dimension: 768

Currently, only the MTEB (English) benchmark has been evaluated. Additional multilingual benchmark results will be released in future updates.

Training Details

  • Initialization: Based on google/embeddinggemma-300m and LiquidAI/LFM2-350M
  • Architecture Modifications: The tokenizer and embedding weights from the EmbeddingGemma model were replaced with the LFM2-350M tokenizer. The embedding layer and several hidden layers were reinitialized to align with the modified architecture, resulting in a dimensional change from [262,144, 768] → [64,400, 768], effectively reducing the total parameter count by approximately 50%.
  • Training Data: 2 billion tokens curated from multiple open source datasets.
  • Teacher Model: google/embeddinggemma-300m
  • Compute Resources: 40 GPU hours on NVIDIA A100

Citation

@misc{tarka_ai_research_2025,
	author       = { Tarka AI Research },
	title        = { Tarka-Embedding-150M-V1 (Revision c5f4f43) },
	year         = 2025,
	url          = { https://huggingface.co/Tarka-AIR/Tarka-Embedding-150M-V1 },
	doi          = { 10.57967/hf/6875 },
	publisher    = { Hugging Face }
}

MTEB (Eng v2)

MTEB English / ModelsParam.Mean(Task)Mean(Type)Class.Clust.Pair Class.Rerank.Retri.STSSumm.
GIST-large-Embedding-v0335M66.2561.9678.9148.8486.748.7654.5284.4431.52
mxbai-embed-large-v1335M66.2662.0479.147.4887.248.0555.484.4232.63
UAE-Large-V1335M66.461.8579.0847.8687.2548.3555.9184.3730.13
GIST-Embedding-v0109M65.561.478.1648.586.3347.5253.5983.3532.32
bge-large-en-v1.5335M65.8961.8778.3448.0187.1348.2655.4482.7933.13
multilingual-e5-large-instruct560M65.5361.2175.5449.8986.2448.7453.4784.7229.89
gte-large335M64.7760.8675.4748.285.0847.8453.2983.2732.9
bge-base-en-v1.5109M65.1460.7777.6947.4286.5646.6654.7582.1230.19
mini-gte66M65.0660.6579.9547.8984.7846.8653.2381.5530.31
bilingual-embedding-large559M63.7760.277.1746.5385.6246.2546.868632.95
gte-base109M63.959.9475.0447.7484.6847.1751.982.1730.9
mmlw-roberta-large434M61.859.4579.6647.8985.247.5639.6981.234.97
e5-large335M63.1359.6875.6145.8885.9445.4349.648233.26
mmlw-e5-base278M61.4358.6177.8847.1184.8846.440.2181.9231.87
e5-large-v2335M62.7959.476.4445.2386.0645.7249.3180.6732.34
Tarka-Embedding-150M-V1150M66.4061.3586.2851.9481.6545.6651.6281.4830.86

Sentence Transformers Usage

# Requires transformers>=4.51.0
# Requires sentence-transformers>=2.7.0

from sentence_transformers import SentenceTransformer

# Load the model
model = SentenceTransformer("Tarka-AIR/Tarka-Embedding-150M-V1")

# The queries and documents to embed
queries = [
    "What is the capital of China?",
    "Explain gravity",
]
documents = [
    "The capital of China is Beijing.",
    "Gravity is a force that attracts two bodies towards each other. It gives weight to physical objects and is responsible for the movement of planets around the sun.",
]

query_embeddings = model.encode_query(queries)
document_embeddings = model.encode_document(documents)
print(query_embeddings.shape, document_embeddings.shape)
# (2, 768) (2, 768)

# Compute similarities to determine a ranking
similarities = model.similarity(query_embeddings, document_embeddings)
print(similarities)
# tensor([[0.7830, 0.2929],[0.3390, 0.6536]])

Prompt Instructions

EmbeddingGemma can generate optimized embeddings for various use cases—such as document retrieval, question answering, and fact verification—or for specific input types—either a query or a document—using prompts that are prepended to the input strings. Query prompts follow the form task: {task description} | query: where the task description varies by the use case, with the default task description being search result. Document-style prompts follow the form title: {title | "none"} | text: where the title is either none (the default) or the actual title of the document. Note that providing a title, if available, will improve model performance for document prompts but may require manual formatting.

Use the following prompts based on your use case and input data type. These may already be available in the EmbeddingGemma configuration in your modeling framework of choice.

Usage and Limitations

These models have certain limitations that users should be aware of.

Intended Usage

Open embedding models have a wide range of applications across various industries and domains. The following list of potential uses is not comprehensive. The purpose of this list is to provide contextual information about the possible use-cases that the model creators considered as part of model training and development.

  • Semantic Similarity: Embeddings optimized to assess text similarity, such as recommendation systems and duplicate detection

  • Classification: Embeddings optimized to classify texts according to preset labels, such as sentiment analysis and spam detection

  • Clustering: Embeddings optimized to cluster texts based on their similarities, such as document organization, market research, and anomaly detection

  • Retrieval

    • Document: Embeddings optimized for document search, such as indexing articles, books, or web pages for search
    • Query: Embeddings optimized for general search queries, such as custom search
    • Code Query: Embeddings optimized for retrieval of code blocks based on natural language queries, such as code suggestions and search
  • Question Answering: Embeddings for questions in a question-answering system, optimized for finding documents that answer the question, such as chatbox.

  • Fact Verification: Embeddings for statements that need to be verified, optimized for retrieving documents that contain evidence supporting or refuting the statement, such as automated fact-checking systems.

Acknowledgments

Special thanks to:

  • Google DeepMind and LFM Team team for providing the base model and foundational research.

Gratitude is also extended to the open-source community for creating the tools, frameworks, and datasets that enabled fine-tuning and evaluation of this model.

Disclaimer The creator of this Model is not responsible for any misuse, damages, or legal issues arising from the use of this model. This model incorporates Gemma materials provided under the Gemma Terms of Use , which continue to apply.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Gemma3TextModel
Ревизия весов
5df238e

0 моделей