/ Модель

Характеристики

Контекст
8 192 токена
Параметры
212 млн
Лицензия
CC BY-NC-SA 4.0
Архитектура
eurobert · dense
Базовая модель
jina-embeddings-v5-text-nano-retrieval
Библиотека
sentence-transformers
Опубликована
18 июн 2026

minang-embedder

ЭмбеддингиТекст → embedding5 профессий

Minang Embedder преобразует тексты на минангкабау и связанных языках в эмбеддинги для семантического поиска, сравнения предложений и межъязыкового поиска.

20скачиваний за 30 дней0лайковвеса обновлены18 июн 2026

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 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

Minang Embedder — модель SentenceTransformers, разработанная для представления текстов на минангкабау в виде нормализованных эмбеддингов размерности 768. Она создана дообучением jinaai/jina-embeddings-v5-text-nano-retrieval на примерах, основанных на ресурсах NusaX, и использует трансформер EuroBERT с pooling по последнему токену. Контекст модели — до 8192 токенов.

Модель предназначена для семантического поиска, сравнения предложений, поиска параллельных текстов и межъязыкового выравнивания, включая пары минангкабау—английский и минангкабау—индонезийский. Обучающие данные также включают синтетические примеры переключения между минангкабау и индонезийским. Для поиска или оценки сходства тексты преобразуют в эмбеддинги и сравнивают их.

В README приведены результаты на локальном бенчмарке MinSTS-Retrieval, однако он построен на метках тональности и выравниваниях NusaX, а не на ручной разметке семантического сходства; показатели поиска поэтому отражают в том числе группировку по тональности. Перед применением в конкретной предметной области качество следует проверить отдельно. Лицензия модели — CC BY-NC-SA 4.0; при использовании данных NusaX необходимо учитывать их атрибуцию и условия CC BY-SA 4.0.

Сценарии применения

  • семантический поиск по текстам на минангкабау
  • поиск похожих предложений на минангкабау
  • поиск соответствий между текстами на английском и минангкабау
  • поиск соответствий между текстами на индонезийском и минангкабау
  • сравнение сходства текстов с переключением между минангкабау и индонезийским

Ограничения

Оценка основана на сконструированном бенчмарке из меток и выравниваний NusaX, а не на ручной разметке семантического сходства; релевантность поиска частично приближена совпадением тональности. Качество следует проверять на целевых данных; модель наследует ограничения базовой модели и обучающих данных NusaX.

Для каких профессий подходит5

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

Minang Embedder

Minang Embedder is a SentenceTransformers model fine-tuned for Minangkabau semantic similarity, retrieval, cross-lingual alignment, and code-switching robustness.

It is fine-tuned from jinaai/jina-embeddings-v5-text-nano-retrieval and maps text to 768-dimensional normalized embeddings.

Code, benchmark construction, result JSONs, and figures are available at:

https://github.com/menara-research/mina-recx

Model

  • Model ID: apsys/minang-embedder
  • Base model: jinaai/jina-embeddings-v5-text-nano-retrieval
  • Architecture: SentenceTransformers Transformer + last-token pooling + normalization
  • Embedding size: 768
  • Primary language: Minangkabau (min)
  • Additional alignment languages: Indonesian (id) and English (en)
  • Intended tasks: semantic search, sentence similarity, bitext retrieval, low-resource evaluation

Usage

from sentence_transformers import SentenceTransformer

model = SentenceTransformer("apsys/minang-embedder", trust_remote_code=True)

queries = [
    "Paliang suko bana makan siang di siko ayam jo ladonyo lamak bana."
]
documents = [
    "I love having lunch here because the chicken and sambal are delicious.",
    "The train ticket was booked yesterday.",
    "Kurang pas kalau bakunjuang ka banduang tanpa mancicipi batagor.",
]

query_embeddings = model.encode_query(queries, normalize_embeddings=True)
document_embeddings = model.encode_document(documents, normalize_embeddings=True)
scores = model.similarity(query_embeddings, document_embeddings)
print(scores)

Data Attribution

This model was fine-tuned and evaluated using locally generated training/evaluation artifacts derived from NusaX resources:

The NusaX dataset pages list the source data license as CC BY-SA 4.0. Users of this model should preserve NusaX attribution and respect the upstream dataset terms.

Primary NusaX reference:

@misc{winata2022nusax,
  title={NusaX: Multilingual Parallel Sentiment Dataset for 10 Indonesian Local Languages},
  author={Winata, Genta Indra and Aji, Alham Fikri and Cahyawijaya, Samuel and Mahendra, Rahmad and Koto, Fajri and Romadhony, Ade and Kurniawan, Kemal and Moeljadi, David and Prasojo, Radityo Eko and Fung, Pascale and Baldwin, Timothy and Lau, Jey Han and Sennrich, Rico and Ruder, Sebastian},
  year={2022},
  eprint={2205.15960},
  archivePrefix={arXiv},
  primaryClass={cs.CL}
}

Training Data

The training pipeline builds contrastive examples from:

  • English-Minangkabau translation pairs.
  • English-Indonesian translation bridge pairs.
  • Minangkabau same-sentiment sentence pairs.
  • Minangkabau hard-negative different-sentiment pairs.
  • Minangkabau-English and Minangkabau-Indonesian sentiment-aligned pairs.
  • Synthetic Minangkabau/Indonesian code-switch pairs.

The local training artifacts contain:

ArtifactCount
Generated training pairs4,096
Contrastive examples with BM25 hard negatives3,308

Training used MultipleNegativesRankingLoss.

Benchmark

The local benchmark is MinSTS-Retrieval, generated by the project code in src/data/prepare_data.py.

SectionConstructionCount
Monolingual retrievalMinangkabau sentiment test text retrieves same-label Minangkabau texts400 queries, 400 corpus docs
Cross EN to MIN retrievalEnglish sentiment test text retrieves same-label Minangkabau texts400 queries
STSTranslation pairs, same-sentiment pairs, and different-sentiment pairs with heuristic similarity scores731 pairs
Cross-lingual bitextShared NusaX IDs for Minangkabau-English and Minangkabau-Indonesian400 each
Code-switchingSynthetic Minangkabau/Indonesian mixed text paired with original Minangkabau or English100 examples

Important: MinSTS-Retrieval is a constructed benchmark from NusaX labels and alignments. It is not a manually human-annotated Minangkabau STS benchmark.

Results

Source files:

Final model metrics:

MetricValue
STS Spearman0.7975
Min-En Accuracy@10.7825
Min-ID Accuracy@10.9075
Monolingual Recall@100.0410
Monolingual MRR@100.0760
Cross-En Recall@100.0455
Code-switch cosine0.6736

Best ablation from the local study was temp_0.2 on several aggregate metrics:

ModelSTS SpearmanMin-En Acc@1Min-ID Acc@1Mono R@10Mono MRR@10Cross-En R@10Code-switch Cosine
baseline0.49430.70250.93000.04000.08090.05100.7255
temp_0.20.79920.87000.94500.05000.09020.04500.8618
final export0.79750.78250.90750.04100.07600.04550.6736

Limitations

  • The benchmark is synthetic/constructed from labels and alignments, not a direct human STS annotation effort.
  • Retrieval relevance is approximated through sentiment labels, so retrieval scores measure label-coherent semantic grouping rather than exact document relevance.
  • The model inherits constraints from the base Jina model and from the NusaX-derived training data.
  • Performance should be validated on any production domain before deployment.

License

This derived model is released under Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0).

Upstream terms:

Users are responsible for complying with the upstream base-model and dataset licenses.

Citation

If you use this model, cite the code/artifact repository and the upstream NusaX and Jina resources:

@software{mina_recx_2026,
  title={Minang Embedder: Minangkabau Embedding Benchmark Artifacts and Training Code},
  author={Menara Research and apsys},
  year={2026},
  url={https://github.com/menara-research/mina-recx}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · sentence-transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
EuroBertModel
Ревизия весов
b9cbf7d

0 моделей