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
andreaschari/bge-m3-RU_MMARCO_50_MIXED — дообученная модель Sentence Transformers на базе BAAI/bge-m3, разработанная для семантического поиска на русском языке. При обучении использовался русский датасет MMARCO/v2 с равной долей запросов на кириллице и русских запросов, транслитерированных в английский текст с помощью uroman; модель связана с исследованием о поиске при различии письменности запроса и документов.
Модель на архитектуре XLM-RoBERTa содержит 658,7 млн параметров и формирует текстовые эмбеддинги размерности 1024. Она принимает последовательности длиной до 8192 токенов; для сравнения эмбеддингов в карточке указана косинусная близость. Подходит для поиска русскоязычных документов по запросам как на кириллице, так и в транслитерации.
Распространяется под лицензией MIT. Специализация на MMARCO/v2 и смешанных кириллических и транслитерированных запросах может ограничивать качество за пределами этих условий; результаты поиска следует проверять на целевых данных.
Сценарии применения
Поиск русскоязычных документов по запросу на кириллице
Поиск документов по русскому запросу в латинской транслитерации
Сопоставление семантически близких русских запросов и текстов
Построение эмбеддингов для русскоязычного поискового индекса
Ограничения
Модель дообучена на MMARCO/v2 с конкретным сочетанием кириллических и транслитерированных запросов, поэтому её качество на других языках, доменах и форматах транслитерации может отличаться. Заявленный предел последовательности — 8192 токена.
Для каких профессий подходит8
Разделы каталога профессий, в задачах которых используется эта модель
This is a BGE-M3 model post-trained on the Russian dataset from MMARCO/v2.
The queries are a 50/50 split between native Russian and transliterated Russian to English text using uroman.
The model was used for the SIGIR 2025 Short paper: Lost in Transliteration: Bridging the Script Gap in Neural IR.
Model Details
Model Description
Model Type: Sentence Transformer
Maximum Sequence Length: 8192 tokens
Output Dimensionality: 1024 tokens
Similarity Function: Cosine Similarity
Training Details
Framework Versions
Python: 3.10.13
Sentence Transformers: 3.1.1
Transformers: 4.45.1
PyTorch: 2.4.1
Accelerate: 0.34.2
Datasets: 3.0.1
Tokenizers: 0.20.3
Как запустить
На своей GPU в ailist. Цена — по текущим предложениям провайдеров