/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
28,4 ГБ
Лицензия
Apache 2.0
Архитектура
mistral · dense
Опубликована
11 июн 2025

LGAI-Embedding-Preview

ЭмбеддингиТекст → embedding9 профессий

Модель на основе Mistral-7B, создающая текстовые эмбеддинги для сравнения предложений и семантического поиска.

1 662скачиваний за 30 дней14лайковвеса обновлены30 окт 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.

  • ArXivHierarchicalClusteringP2P

    main_score

    Результат

    0,6552

    MTEB

    Публичная таблицадругая ревизия

  • StackExchangeClusteringP2P.v2

    main_score

    Результат

    0,4931

    MTEB

    Публичная таблицадругая ревизия

  • BiorxivClusteringP2P.v2

    main_score

    Результат

    0,5351

    MTEB

    Публичная таблицадругая ревизия

  • TwitterURLCorpus

    main_score

    Результат

    0,8813

    MTEB

    Публичная таблицадругая ревизия

  • STS17

    main_score

    Результат

    0,9019

    MTEB

    Публичная таблицадругая ревизия

  • ClimateFEVERHardNegatives

    main_score

    Результат

    0,4197

    MTEB

    Публичная таблицадругая ревизия

  • TwitterSemEval2015

    main_score

    Результат

    0,8045

    MTEB

    Публичная таблицадругая ревизия

  • MassiveIntentClassification

    main_score

    Результат

    0,824

    MTEB

    Публичная таблицадругая ревизия

  • AmazonCounterfactualClassification

    main_score

    Результат

    0,9318

    MTEB

    Публичная таблицадругая ревизия

  • STSBenchmark

    main_score

    Результат

    0,9146

    MTEB

    Публичная таблицадругая ревизия

  • STS13

    main_score

    Результат

    0,9044

    MTEB

    Публичная таблицадругая ревизия

  • CQADupstackUnixRetrieval

    main_score

    Результат

    0,5583

    MTEB

    Публичная таблицадругая ревизия

  • ImdbClassification

    main_score

    Результат

    0,9681

    MTEB

    Публичная таблицадругая ревизия

  • StackExchangeClustering.v2

    main_score

    Результат

    0,7915

    MTEB

    Публичная таблицадругая ревизия

  • SummEvalSummarization.v2

    main_score

    Результат

    0,3893

    MTEB

    Публичная таблицадругая ревизия

  • FiQA2018

    main_score

    Результат

    0,6099

    MTEB

    Публичная таблицадругая ревизия

  • SICK-R

    main_score

    Результат

    0,8489

    MTEB

    Публичная таблицадругая ревизия

  • Touche2020Retrieval.v3

    main_score

    Результат

    0,5876

    MTEB

    Публичная таблицадругая ревизия

  • Banking77Classification

    main_score

    Результат

    0,9138

    MTEB

    Публичная таблицадругая ревизия

  • STS22.v2

    main_score

    Результат

    0,7497

    MTEB

    Публичная таблицадругая ревизия

  • STS14

    main_score

    Результат

    0,8828

    MTEB

    Публичная таблицадругая ревизия

  • AskUbuntuDupQuestions

    main_score

    Результат

    0,656

    MTEB

    Публичная таблицадругая ревизия

  • MassiveScenarioClassification

    main_score

    Результат

    0,8541

    MTEB

    Публичная таблицадругая ревизия

  • FEVERHardNegatives

    main_score

    Результат

    0,9339

    MTEB

    Публичная таблицадругая ревизия

  • CQADupstackGamingRetrieval

    main_score

    Результат

    0,7019

    MTEB

    Публичная таблицадругая ревизия

  • BIOSSES

    main_score

    Результат

    0,8623

    MTEB

    Публичная таблицадругая ревизия

  • SCIDOCS

    main_score

    Результат

    0,2726

    MTEB

    Публичная таблицадругая ревизия

  • TRECCOVID

    main_score

    Результат

    0,901

    MTEB

    Публичная таблицадругая ревизия

  • MedrxivClusteringS2S.v2

    main_score

    Результат

    0,4758

    MTEB

    Публичная таблицадругая ревизия

  • ArXivHierarchicalClusteringS2S

    main_score

    Результат

    0,6397

    MTEB

    Публичная таблицадругая ревизия

  • TwentyNewsgroupsClustering.v2

    main_score

    Результат

    0,6801

    MTEB

    Публичная таблицадругая ревизия

  • STS15

    main_score

    Результат

    0,919

    MTEB

    Публичная таблицадругая ревизия

  • TweetSentimentExtractionClassification

    main_score

    Результат

    0,7958

    MTEB

    Публичная таблицадругая ревизия

  • ArguAna

    main_score

    Результат

    0,8695

    MTEB

    Публичная таблицадругая ревизия

  • SprintDuplicateQuestions

    main_score

    Результат

    0,9745

    MTEB

    Публичная таблицадругая ревизия

  • STS12

    main_score

    Результат

    0,8179

    MTEB

    Публичная таблицадругая ревизия

  • HotpotQAHardNegatives

    main_score

    Результат

    0,7637

    MTEB

    Публичная таблицадругая ревизия

  • MTOPDomainClassification

    main_score

    Результат

    0,9825

    MTEB

    Публичная таблицадругая ревизия

  • MindSmallReranking

    main_score

    Результат

    0,3266

    MTEB

    Публичная таблицадругая ревизия

  • MedrxivClusteringP2P.v2

    main_score

    Результат

    0,4696

    MTEB

    Публичная таблицадругая ревизия

  • ToxicConversationsClassification

    main_score

    Результат

    0,9276

    MTEB

    Публичная таблицадругая ревизия

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

LGAI-Embedding-Preview — модель для получения векторных представлений текста, разработанная на основе Mistral-7B. Она предназначена для оценки сходства предложений и задач поиска по семантическому соответствию; README описывает её проверку на бенчмарке MTEB с примерами в контексте. Модель имеет плотную архитектуру Mistral примерно на 7,1 млрд параметров, размерность эмбеддингов 4096 и контекст до 32 768 токенов.

Репозиторий содержит веса в формате safetensors и указывает лицензию Apache-2.0. README называет модель предварительной и сообщает, что цель работы — воспроизвести базовую модель и проверить процесс публикации результатов.

Сценарии применения

  • сравнение сходства двух предложений
  • семантический поиск по текстовым документам
  • поиск релевантных фрагментов для RAG
  • оценка близости текстовых запросов и документов

Ограничения

Модель обозначена как предварительная; README описывает цель воспроизведения базовой модели и проверки процесса публикации, поэтому пригодность для производственного применения не подтверждена. Оценивание на MTEB проводится с примерами в контексте.

Для каких профессий подходит9

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

LGAI-Embedding-Preview

we have trained the LGAI-Embedding-Preview model based on the Mistral-7B LLM model.

The initial goal is to reproduce the baseline model and check the workflow for uploading results:

  • Checkpoint
  • technical report

MTEB

Inference is performed with in-context examples for MTEB evaluation.

Model Information

  • Model Size: 7B
  • Embedding Dimension: 4096
  • Max Input Tokens: 32k

Requirements

transformers>=4.48.3

Citation

If you find this repository useful, please consider citing it.

@misc{choi2025lgaiembeddingpreviewtechnicalreport,
      title={LGAI-EMBEDDING-Preview Technical Report}, 
      author={Jooyoung Choi and Hyun Kim and Hansol Jang and Changwook Jun and Kyunghoon Bae and Hyewon Choi and Stanley Jungkyu Choi and Honglak Lee and Chulmin Yun},
      year={2025},
      eprint={2506.07438},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2506.07438}, 
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
MistralModel
Ревизия весов
e9b2453

0 моделей