/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
445 млн
Лицензия
Своя лицензия
Архитектура
lfm2_bidirec · dense
Опубликована
11 ноя 2025

Tarka-Embedding-350M-V1

ЭмбеддингиТекст → embedding10 профессий

Многоязычная embedding-модель Tarka-AIR для семантического поиска, сравнения текстов и извлечения документов в RAG.

46скачиваний за 30 дней14лайковвеса обновлены19 ноя 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки41

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

  • BIOSSES

    main_score

    Результат

    0,8571

    MTEB

    Публичная таблицадругая ревизия

  • ClimateFEVERHardNegatives

    main_score

    Результат

    0,3569

    MTEB

    Публичная таблицадругая ревизия

  • MassiveScenarioClassification

    main_score

    Результат

    0,8608

    MTEB

    Публичная таблицадругая ревизия

  • CQADupstackGamingRetrieval

    main_score

    Результат

    0,603

    MTEB

    Публичная таблицадругая ревизия

  • StackExchangeClustering.v2

    main_score

    Результат

    0,7449

    MTEB

    Публичная таблицадругая ревизия

  • FiQA2018

    main_score

    Результат

    0,4174

    MTEB

    Публичная таблицадругая ревизия

  • STS14

    main_score

    Результат

    0,8484

    MTEB

    Публичная таблицадругая ревизия

  • SummEvalSummarization.v2

    main_score

    Результат

    0,2743

    MTEB

    Публичная таблицадругая ревизия

  • TwitterURLCorpus

    main_score

    Результат

    0,8629

    MTEB

    Публичная таблицадругая ревизия

  • HotpotQAHardNegatives

    main_score

    Результат

    0,6481

    MTEB

    Публичная таблицадругая ревизия

  • Banking77Classification

    main_score

    Результат

    0,8429

    MTEB

    Публичная таблицадругая ревизия

  • STS13

    main_score

    Результат

    0,8904

    MTEB

    Публичная таблицадругая ревизия

  • ImdbClassification

    main_score

    Результат

    0,953

    MTEB

    Публичная таблицадругая ревизия

  • ArXivHierarchicalClusteringS2S

    main_score

    Результат

    0,6149

    MTEB

    Публичная таблицадругая ревизия

  • TwitterSemEval2015

    main_score

    Результат

    0,7113

    MTEB

    Публичная таблицадругая ревизия

  • TRECCOVID

    main_score

    Результат

    0,7882

    MTEB

    Публичная таблицадругая ревизия

  • SICK-R

    main_score

    Результат

    0,827

    MTEB

    Публичная таблицадругая ревизия

  • AmazonCounterfactualClassification

    main_score

    Результат

    0,9322

    MTEB

    Публичная таблицадругая ревизия

  • MindSmallReranking

    main_score

    Результат

    0,3235

    MTEB

    Публичная таблицадругая ревизия

  • CQADupstackUnixRetrieval

    main_score

    Результат

    0,4529

    MTEB

    Публичная таблицадругая ревизия

  • AskUbuntuDupQuestions

    main_score

    Результат

    0,632

    MTEB

    Публичная таблицадругая ревизия

  • STS22.v2

    main_score

    Результат

    0,6808

    MTEB

    Публичная таблицадругая ревизия

  • TweetSentimentExtractionClassification

    main_score

    Результат

    0,7811

    MTEB

    Публичная таблицадругая ревизия

  • Touche2020Retrieval.v3

    main_score

    Результат

    0,6026

    MTEB

    Публичная таблицадругая ревизия

  • STS15

    main_score

    Результат

    0,9001

    MTEB

    Публичная таблицадругая ревизия

  • MTOPDomainClassification

    main_score

    Результат

    0,9726

    MTEB

    Публичная таблицадругая ревизия

  • MedrxivClusteringS2S.v2

    main_score

    Результат

    0,4257

    MTEB

    Публичная таблицадругая ревизия

  • ArXivHierarchicalClusteringP2P

    main_score

    Результат

    0,6466

    MTEB

    Публичная таблицадругая ревизия

  • FEVERHardNegatives

    main_score

    Результат

    0,8113

    MTEB

    Публичная таблицадругая ревизия

  • SCIDOCS

    main_score

    Результат

    0,2075

    MTEB

    Публичная таблицадругая ревизия

  • STS17

    main_score

    Результат

    0,8984

    MTEB

    Публичная таблицадругая ревизия

  • TwentyNewsgroupsClustering.v2

    main_score

    Результат

    0,5721

    MTEB

    Публичная таблицадругая ревизия

  • MedrxivClusteringP2P.v2

    main_score

    Результат

    0,4418

    MTEB

    Публичная таблицадругая ревизия

  • MassiveIntentClassification

    main_score

    Результат

    0,8095

    MTEB

    Публичная таблицадругая ревизия

  • ArguAna

    main_score

    Результат

    0,6267

    MTEB

    Публичная таблицадругая ревизия

  • STS12

    main_score

    Результат

    0,8197

    MTEB

    Публичная таблицадругая ревизия

  • STSBenchmark

    main_score

    Результат

    0,8913

    MTEB

    Публичная таблицадругая ревизия

  • ToxicConversationsClassification

    main_score

    Результат

    0,9224

    MTEB

    Публичная таблицадругая ревизия

  • BiorxivClusteringP2P.v2

    main_score

    Результат

    0,4923

    MTEB

    Публичная таблицадругая ревизия

  • StackExchangeClusteringP2P.v2

    main_score

    Результат

    0,5206

    MTEB

    Публичная таблицадругая ревизия

  • SprintDuplicateQuestions

    main_score

    Результат

    0,9449

    MTEB

    Публичная таблицадругая ревизия

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Tarka-AIR разработала Tarka-Embedding-350M-V1 — плотную текстовую embedding-модель семейства LFM2 Bidirectional с размером около 350 млн параметров. Она преобразует текст в векторы размерности 1024 для семантического поиска, сравнения текстов и извлечения документов в RAG-системах.

Модель предназначена для общего понимания текста и поддерживает английский, арабский, китайский, французский, немецкий, японский, корейский и испанский языки. Контекст достигает 128 тысяч токенов, однако README отмечает оптимальную работу на входах короче 4 тысяч токенов. Модель обучена методом дистилляции знаний без меток на текстовом корпусе объёмом около 2 млрд токенов; в ходе обучения динамическая выборка охватила менее 1 млрд токенов.

Для запуска доступны веса в формате safetensors. README рекомендует Flash Attention и bfloat16 для лучшей производительности. Лицензия указана как other, поэтому условия использования следует сверить с лицензией и файлами репозитория перед внедрением.

Сценарии применения

  • Семантический поиск по документам
  • Подбор релевантных фрагментов для RAG
  • Оценка сходства между предложениями
  • Поиск ответов в многоязычной базе знаний

Ограничения

Для оптимального качества README рекомендует ограничивать вход длиной менее 4 тысяч токенов, хотя поддерживается контекст до 128 тысяч токенов. Указана лицензия other; её конкретные условия нужно проверить в репозитории.

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

Descripiton

Tarka-Embedding-v1 is a 350M parameter embedding model designed to produce 1024-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 around 2 billion tokens, but due to dynamic sampling strategies during training, the model effectively learned from fewer than 1 billion tokens.

Find more information about Tarka-Embedding-350M-V1 in our blog post.

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

Model Details

Tarka-Embedding-350M-V1 has the following features:

  • Model Type: Text Embedding
  • Supported Languages: English, Arabic, Chinese, French, German, Japanese, Korean, and Spanish.
  • Number of Paramaters: 350M
  • Context Length: Supports up to 128K tokens; optimal performance is observed with inputs under 4K tokens
  • Embedding Dimension: 1024

Evaluation

MTEB (Eng v2)

MTEB English / ModelsParam.Mean(Task)Mean(Type)Class.Clust.Pair Class.Rerank.Retri.STSSumm.
multilingual-e5-large-instruct0.6B65.5361.2175.5449.8986.2448.7453.4784.7229.89
NV-Embed-v27.8B69.8165.0087.1947.6688.6949.6162.8483.8235.21
GritLM-7B7.2B67.0763.2281.2550.8287.2949.5954.9583.0335.65
gte-Qwen2-1.5B-instruct1.5B67.2063.2685.8453.5487.5249.2550.2582.5133.94
stella_en_1.5B_v51.5B69.4365.3289.3857.0688.0250.1952.4283.2736.91
gte-Qwen2-7B-instruct7.6B70.7265.7788.5258.9785.950.4758.0982.6935.74
gemini-embedding-exp-03-07-73.367.6790.0559.3987.748.5964.3585.2938.28
Tarka-Embedding-350M-V1350M69.2963.2988.4355.7383.9647.7755.1484.5927.43

Usage

[!IMPORTANT]
For the best performance use Flash attention with bfloat16

from sentence_transformers import SentenceTransformer

# We recommend enabling flash_attention_2 for better acceleration and memory saving,
model = SentenceTransformer(
    "Tarka-AIR/Tarka-Embedding-350M-V1",
    trust_remote_code=True,
    model_kwargs={
        "attn_implementation": "flash_attention_2",
        "device_map": "cuda",
        "torch_dtype": "bfloat16",
    },
    tokenizer_kwargs={"padding_side": "left"},
)

# 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.",
]

# Encode the queries and documents. Note that queries benefit from using a prompt
# Here we use the prompt called "query" stored under `model.prompts`, but you can
# also pass your own prompt via the `prompt` argument
query_embeddings = model.encode(queries, prompt_name="query")
document_embeddings = model.encode(documents)

# Compute the (cosine) similarity between the query and document embeddings
similarity = model.similarity(query_embeddings, document_embeddings)
print(similarity)

# tensor([[0.9177, 0.3923],
#         [0.2975, 0.7631]])

Acknowledgments

Special thanks to:

  • Qwen 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.

Citation

If you find this model useful, please consider giving a citation.

@misc{tarka_ai_research_2025,
	author       = { Tarka AI Research },
	title        = { Tarka-Embedding-350M-V1 (Revision f4b5de8) },
	year         = 2025,
	url          = { https://huggingface.co/Tarka-AIR/Tarka-Embedding-350M-V1 },
	doi          = { 10.57967/hf/6979 },
	publisher    = { Hugging Face }
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
Lfm2BidirectionalModel
Ревизия весов
a850d6a

0 моделей