/ Модель

Характеристики

Контекст
8 192 токена
Параметры
305 млн
Лицензия
Apache 2.0
Архитектура
new · dense
Базовая модель
gte-multilingual-base
Библиотека
sentence-transformers
Опубликована
6 мая 2025

TY-ecomm-embed-multilingual-base-v1.2.0

ЭмбеддингиТекст → embedding3 профессии

Многоязычная модель Trendyol строит текстовые эмбеддинги для семантического поиска, сравнения и классификации товаров.

1 101скачиваний за 30 дней42лайкавеса обновлены13 мая 2025

Бенчмарки

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

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

Trendyol разработала TY-ecomm-embed-multilingual-base-v1.2.0 — многоязычную модель Sentence Transformers, дообученную на электронной коммерции поверх дистиллированной Alibaba-NLP/gte-multilingual-base. Она кодирует текст в плотные векторы размерностью 768 для семантического поиска товаров, сравнения запросов и описаний, классификации, кластеризации и извлечения признаков. Сходство векторов можно оценивать косинусной мерой; поддерживаются укороченные представления размерностью 512 и 128.

Модель рассчитана прежде всего на турецкие и многоязычные запросы в электронной коммерции: карточки товаров, атрибуты, перефразирование запросов и категоризацию. В метаданных перечислены турецкий, арабский, английский, немецкий, болгарский, венгерский, румынский, словацкий, польский, чешский и греческий языки. Карточка заявляет ограничение входа в 384 токена, тогда как метаданные указывают контекст 8192 токена; при длинных текстах следует учитывать описанное в README усечение до 384 токенов. Лицензия — Apache-2.0.

Качество может снижаться вне товарной и электронной коммерции, например на юридических, медицинских и узкоспециальных текстах. Модель может ошибочно считать похожими тексты с общими словами или частыми сочетаниями из обучающих данных; большая часть обучающих данных, согласно карточке, турецкоязычная.

Сценарии применения

  • семантический поиск товаров по запросам
  • сопоставление поисковых запросов с описаниями товаров
  • перефразирование и поиск близких запросов
  • извлечение атрибутов и тегов товаров
  • кластеризация и категоризация товарных карточек
  • сравнение текстов по семантическому сходству

Ограничения

На текстах вне электронной коммерции качество может снижаться; возможны ложные оценки сходства для лексически похожих или часто встречавшихся сочетаний. README указывает максимальную длину входа 384 токена и усечение более длинных текстов.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Trendyol/TY-ecomm-embed-multilingual-base-v1.2.0

Trendyol/TY-ecomm-embed-multilingual-base-v1.2.0 is a multilingual sentence-transformers embedding model fine-tuned on e-commerce datasets, optimized for semantic similarity, search, classification, and retrieval tasks. It is integrating domain-specific signals from millions of real-world queries, product descriptions, and user interactions. This model is fine-tuned over a distilled version of Alibaba-NLP/gte-multilingual-base using Turkish-English pair translation dataset.

Keynotes:

  • Optimized for e-commerce semantic search
  • Enhanced Turkish and multilingual query understanding
  • Supports query rephrasing and paraphrase mining
  • Robust for product tagging and attribute extraction
  • Suitable for clustering and product categorization
  • High-performance in semantic textual similarity
  • 384-token input support
  • 768-dimensional dense vector outputs
  • Built-in cosine similarity for inference

Model Details

Model Description

  • Model Type: Sentence Transformer
  • Maximum Sequence Length: 384 tokens
  • Output Dimensionality: 768 dimensions
  • Matryoshka Dimensions: 768, 512, 128
  • Similarity Function: Cosine Similarity
  • Training Datasets:
    • Multilingual and Turkish search terms
    • Turkish instruction datasets
    • Turkish summarization datasets
    • Turkish e-commerce rephrase datasets
    • Turkish question-answer pairs
    • and more!

Model Sources

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 384, 'do_lower_case': False}) with Transformer model: NewModel 
  (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': True, 'pooling_mode_mean_tokens': False, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True})
  (2): Normalize()
)

Usage

Direct Usage (Sentence Transformers)

First install the Sentence Transformers library:

pip install -U sentence-transformers

Then you can load this model and run inference.

from sentence_transformers import SentenceTransformer

# Download from the 🤗 Hub
matryoshka_dim = 768
model = SentenceTransformer("Trendyol/TY-ecomm-embed-multilingual-base-v1.2.0", trust_remote_code=True, truncate_dim=matryoshka_dim)
# Run inference
sentences = [
    '120x190 yapıyor musunuz',
    'merhaba 120 x 180 mevcüttür',
    'Ürün stoklarımızda bulunmamaktadır',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 768]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]

Bias, Risks and Limitations

While this model is trained on e-commerce-related datasets, including multilingual and Turkish data, users should be aware of several limitations:

  • Domain bias: Performance may degrade for content outside the e-commerce or product-related domains, such as legal, medical, or highly technical texts.

  • Language coverage: Although multilingual data was included, majority of the dataset is created in Turkish.

  • Input length limitations: Inputs exceeding the maximum sequence length (384 tokens) will be truncated, potentially losing critical context in long texts.

  • Spurious similarity: Semantic similarity may incorrectly assign high similarity scores to unrelated but lexically similar or frequently co-occurring phrases in training data.

Recommendations

  • Human Oversight: We recommend incorporating a human curation layer or using filters to manage and improve the quality of outputs, especially in public-facing applications. This approach can help mitigate the risk of generating objectionable content unexpectedly.
  • Application-Specific Testing: Developers intending to use Trendyol embedding models should conduct thorough safety testing and optimization tailored to their specific applications. This is crucial, as the model’s outputs may occasionally be biased or inaccurate.
  • Responsible Development and Deployment: It is the responsibility of developers and users of Trendyol embedding models to ensure its ethical and safe application. We urge users to be mindful of the model's limitations and to employ appropriate safeguards to prevent misuse or harmful consequences.

Training Details

  • Loss: MatryoshkaLoss with these parameters:
    {
        "loss": "CachedMultipleNegativesSymmetricRankingLoss",
        "matryoshka_dims": [
            768,
            512,
            128
        ],
        "matryoshka_weights": [
            1,
            1,
            1
        ],
        "n_dims_per_step": -1
    }
    

Training Hyperparameters

Non-Default Hyperparameters

  • overwrite_output_dir: True
  • eval_strategy: steps
  • per_device_train_batch_size: 2048
  • per_device_eval_batch_size: 128
  • learning_rate: 0.0005
  • num_train_epochs: 1
  • warmup_ratio: 0.01
  • fp16: True
  • ddp_timeout: 300000
  • batch_sampler: no_duplicates

All Hyperparameters

  • overwrite_output_dir: True
  • do_predict: False
  • eval_strategy: steps
  • prediction_loss_only: True
  • per_device_train_batch_size: 2048
  • per_device_eval_batch_size: 128
  • per_gpu_train_batch_size: None
  • per_gpu_eval_batch_size: None
  • gradient_accumulation_steps: 1
  • eval_accumulation_steps: None
  • torch_empty_cache_steps: None
  • learning_rate: 0.0005
  • weight_decay: 0.0
  • adam_beta1: 0.9
  • adam_beta2: 0.999
  • adam_epsilon: 1e-08
  • max_grad_norm: 1.0
  • num_train_epochs: 1
  • max_steps: -1
  • lr_scheduler_type: linear
  • lr_scheduler_kwargs: {}
  • warmup_ratio: 0.01
  • warmup_steps: 0
  • log_level: passive
  • log_level_replica: warning
  • log_on_each_node: True
  • logging_nan_inf_filter: True
  • save_safetensors: True
  • save_on_each_node: False
  • save_only_model: False
  • restore_callback_states_from_checkpoint: False
  • no_cuda: False
  • use_cpu: False
  • use_mps_device: False
  • seed: 42
  • data_seed: None
  • jit_mode_eval: False
  • use_ipex: False
  • bf16: False
  • fp16: True
  • fp16_opt_level: O1
  • half_precision_backend: auto
  • bf16_full_eval: False
  • fp16_full_eval: False
  • tf32: None
  • local_rank: 0
  • ddp_backend: None
  • tpu_num_cores: None
  • tpu_metrics_debug: False
  • debug: []
  • dataloader_drop_last: True
  • dataloader_num_workers: 0
  • dataloader_prefetch_factor: None
  • past_index: -1
  • disable_tqdm: False
  • remove_unused_columns: True
  • label_names: None
  • load_best_model_at_end: False
  • ignore_data_skip: False
  • fsdp: []
  • fsdp_min_num_params: 0
  • fsdp_config: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}
  • fsdp_transformer_layer_cls_to_wrap: None
  • accelerator_config: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None}
  • deepspeed: None
  • label_smoothing_factor: 0.0
  • optim: adamw_torch
  • optim_args: None
  • adafactor: False
  • group_by_length: False
  • length_column_name: length
  • ddp_find_unused_parameters: None
  • ddp_bucket_cap_mb: None
  • ddp_broadcast_buffers: False
  • dataloader_pin_memory: True
  • dataloader_persistent_workers: False
  • skip_memory_metrics: True
  • use_legacy_prediction_loop: False
  • push_to_hub: False
  • resume_from_checkpoint: None
  • hub_model_id: None
  • hub_strategy: every_save
  • hub_private_repo: None
  • hub_always_push: False
  • gradient_checkpointing: False
  • gradient_checkpointing_kwargs: None
  • include_inputs_for_metrics: False
  • include_for_metrics: []
  • eval_do_concat_batches: True
  • fp16_backend: auto
  • push_to_hub_model_id: None
  • push_to_hub_organization: None
  • mp_parameters:
  • auto_find_batch_size: False
  • full_determinism: False
  • torchdynamo: None
  • ray_scope: last
  • ddp_timeout: 300000
  • torch_compile: False
  • torch_compile_backend: None
  • torch_compile_mode: None
  • dispatch_batches: None
  • split_batches: None
  • include_tokens_per_second: False
  • include_num_input_tokens_seen: False
  • neftune_noise_alpha: None
  • optim_target_modules: None
  • batch_eval_metrics: False
  • eval_on_start: False
  • use_liger_kernel: False
  • eval_use_gather_object: False
  • average_tokens_across_devices: False
  • prompts: None
  • batch_sampler: no_duplicates
  • multi_dataset_batch_sampler: proportional

Framework Versions

  • Python: 3.11.11
  • Sentence Transformers: 3.4.1
  • Transformers: 4.48.1
  • PyTorch: 2.5.1+cu124
  • Accelerate: 1.5.1
  • Datasets: 2.21.0
  • Tokenizers: 0.21.1

Citation

BibTeX

Sentence Transformers

@inproceedings{reimers-2019-sentence-bert,
    title = "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks",
    author = "Reimers, Nils and Gurevych, Iryna",
    booktitle = "Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing",
    month = "11",
    year = "2019",
    publisher = "Association for Computational Linguistics",
    url = "https://arxiv.org/abs/1908.10084",
}

MatryoshkaLoss

@misc{kusupati2024matryoshka,
    title={Matryoshka Representation Learning},
    author={Aditya Kusupati and Gantavya Bhatt and Aniket Rege and Matthew Wallingford and Aditya Sinha and Vivek Ramanujan and William Howard-Snyder and Kaifeng Chen and Sham Kakade and Prateek Jain and Ali Farhadi},
    year={2024},
    eprint={2205.13147},
    archivePrefix={arXiv},
    primaryClass={cs.LG}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · sentence-transformers

Нельзя запустить

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

Класс архитектуры
NewModel
Ревизия весов
00c030c

0 моделей