/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
67,1 млн
Лицензия
Apache 2.0
Архитектура
bert · dense
Опубликована
14 окт 2025

light-splade-japanese-56M

Заполнение пропусковТекст → текст6 профессий

Компактная японская SPLADE-модель на базе BERT преобразует запросы и документы в разреженные векторы для семантического поиска и ранжирования.

134скачиваний за 30 дней0лайковвеса обновлены6 ноя 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

bizreach-inc/light-splade-japanese-56M — японская модель SPLADE для разреженного информационного поиска, опубликованная BizReach. Она кодирует запросы и документы в интерпретируемые разреженные векторы с весами токенов, пригодные для семантического поиска, извлечения документов и ранжирования. Модель основана на компактной архитектуре BERT с 12 слоями и 8 головами внимания, содержит 67,1 млн параметров по метаданным и обрабатывает последовательности длиной до 2048 токенов. Для токенизации используются японский токенизатор BERT, MeCab и WordPiece; модель обучена на японской части mMARCO с алгоритмом SPLADE++.

На dev-наборе mMARCO-ja указаны MRR@10 0,4022, NDCG@10 0,45 и Recall@10 0,6411. Модель предназначена прежде всего для японского текста; качество может снижаться на предметных корпусах, отличающихся от mMARCO. Разреженные представления удобны для поиска по термам, но могут не передавать все нюансы семантики плотных векторов; также возможны ограничения словаря и смещения обучающих данных. Репозиторий распространяется по лицензии Apache-2.0.

Сценарии применения

  • семантический поиск по японским документам
  • извлечение японских документов по запросу
  • ранжирование результатов поиска на японском языке
  • построение разреженных индексов для поисковой системы
  • поиск по японским корпусам на основе расширения терминов

Ограничения

Модель оптимизирована для японского языка и обучена на mMARCO, поэтому качество на других языках и сильно отличающихся предметных корпусах может быть ниже. Разреженные представления могут не передавать все семантические нюансы, а ограниченный словарь и смещения обучающих данных требуют учитывать их при применении.

Для каких профессий подходит6

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

Light SPLADE Japanese 56M

Overview

light-splade-japanese-56M is a Japanese SPLADE (SParse Lexical AnD Expansion) model for sparse information retrieval. This model transforms Japanese text into interpretable sparse vector representations that can be used for semantic search and document retrieval tasks.

Key Features:

  • Japanese-optimized: Specifically trained on Japanese text using mMARCO dataset
  • Sparse retrieval: Generates interpretable sparse vectors for efficient search
  • Lightweight: Only 56M parameters for fast inference - even on CPU.
  • Ready-to-use: Compatible with the light-splade package and transformers package.

Model Details

Architecture

This model is based on a compact BERT architecture optimized for Japanese text processing:

  • Model Type: SPLADE encoder for sparse retrieval
  • Architecture: BERT-based with Japanese tokenization
  • Parameters: 55,952,896 total parameters
  • Hidden Size: 512 dimensions
  • Layers: 12 transformer layers
  • Attention Heads: 8 heads per layer
  • Max Sequence Length: 2048 tokens
  • Vocabulary Size: 32,768 tokens (same as tohoku-nlp/bert-base-japanese-v3)

Tokenization

  • Tokenizer: BertJapaneseTokenizer from Hugging Face Transformers
  • Word Segmentation: MeCab with unidic-lite dictionary via fugashi
  • Subword Tokenization: WordPiece algorithm

Training

Training Data

The model was trained using the SPLADE++ algorithm on the Japanese portion of the mMARCO dataset.

Training Statistics:

  • Training queries: 384,247
  • Training documents: 7,821,973
  • Training framework: light-splade

Evaluation Data

Evaluation Statistics:

  • Evaluation queries: 1,812
  • Evaluation documents: 191,372
  • Dataset split: mMARCO Japanese dev set

Performance

The model achieves the following results on the mMARCO-ja dev set:

MetricValue
MRR@100.4022
NDCG@100.45
Recall@100.6411
Recall@1000.874
Recall@10000.9543
Avg. non-zero terms107

Intended Uses

Primary Use Cases

  • Semantic Search: Convert Japanese queries and documents into sparse representations for retrieval
  • Information Retrieval: Build search systems with interpretable sparse vectors
  • Document Ranking: Rank documents based on semantic similarity to queries
  • Cross-lingual Retrieval: Leverage Japanese text understanding for search applications

Usage Example with light-splade package

Here's how to use the model with the light-splade package:

import torch
from light_splade import SpladeEncoder

# Initialize the encoder
encoder = SpladeEncoder(model_path="bizreach-inc/light-splade-japanese-56M")

# Tokenize input text
corpus = [
    "日本の首都は東京です。",
    "大阪万博は2025年に開催されます。"
]
token_outputs = encoder.tokenizer(corpus, padding=True, return_tensors="pt")

# Generate sparse representation
with torch.inference_mode():
    sparse_vecs = encoder.get_sparse(
        input_ids=token_outputs["input_ids"],
        attention_mask=token_outputs["attention_mask"]
    )

print(sparse_vecs[0])
print(sparse_vecs[1])

Usage Example with transformers package only

import torch
from transformers import AutoTokenizer, AutoModelForMaskedLM


def dense_to_sparse(dense: torch.tensor, idx2token: dict[int, str]) -> list[dict[str, float]]:
    rows, cols = dense.nonzero(as_tuple=True)
    rows = rows.tolist()
    cols = cols.tolist()
    weights = dense[rows, cols].tolist()

    sparse_vecs = [{} for _ in range(dense.size(0))]
    for row, col, weight in zip(rows, cols, weights):
        sparse_vecs[row][idx2token[col]] = round(weight, 2)

    for i in range(len(sparse_vecs)):
        sparse_vecs[i] = dict(sorted(sparse_vecs[i].items(), key=lambda x: x[1], reverse=True))
    return sparse_vecs


MODEL_PATH = "bizreach-inc/light-splade-japanese-56M"
device = "cuda" if torch.cuda.is_available() else "cpu"
transformer = AutoModelForMaskedLM.from_pretrained(MODEL_PATH).to(device)
tokenizer = AutoTokenizer.from_pretrained(MODEL_PATH)
idx2token = {idx: token for token, idx in tokenizer.get_vocab().items()}

corpus = [
    "日本の首都は東京です。",
    "大阪万博は2025年に開催されます。"
]
token_outputs = tokenizer(corpus, padding=True, return_tensors="pt")
attention_mask = token_outputs["attention_mask"].to(device)
token_outputs = {key: value.to(device) for key, value in token_outputs.items()}

with torch.inference_mode():
    outputs = transformer(**token_outputs)
    dense, _ = torch.max(
        torch.log(1 + torch.relu(outputs.logits)) * attention_mask.unsqueeze(-1),
        dim=1,
    )
sparse_vecs = dense_to_sparse(dense, idx2token)

print(sparse_vecs[0])
print(sparse_vecs[1])

Example Output:

{'首都': 1.83, '日本': 1.71, '東京': 1.64, '富士': 1.07, '地名': 0.91, '都市': 0.8, '##都': 0.77, '領土': 0.73, 'ゼロ': 0.72, 'シティ': 0.71, '位置': 0.58, '大国': 0.58, '本社': 0.55, 'とうきょう': 0.54, '中心': 0.53, '外来': 0.45, '京都': 0.41...}
{'202': 1.61, '大阪': 1.5, '##5': 1.33, '開催': 1.15, '万博': 1.11, '東京': 1.07, '関西': 1.06, '神戸': 0.99, '京都': 0.96, '年': 0.91, 'まつり': 0.91, '203': 0.9, '月': 0.89, '日程': 0.84, '207': 0.67, 'オリンピック': 0.57, '主催': 0.57...}

Limitations

  • Language Support: This model is optimized for Japanese text only
  • Domain: Performance may vary on domains significantly different from mMARCO
  • Sparse Representation: The model produces sparse vectors which may not capture all semantic nuances compared to dense representations
  • Vocabulary: Limited to the 32,768 token vocabulary; out-of-vocabulary terms may not be handled optimally

Note

  • The model was trained on open mMARCO dataset which may contain biases present in the source material
  • Users should be aware of potential biases when deploying in production systems
  • Consider evaluation on domain-specific datasets before deployment

Citation

If you use this model in your research, please cite:

@misc{light-splade-japanese-56M,
  title={Light SPLADE Japanese 56M},
  author={Bizreach Inc.},
  year={2025},
  url={https://huggingface.co/bizreach-inc/light-splade-japanese-56M}
}

License

This model is distributed under the Apache License 2.0.

Как запустить

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

GPU в ailist

Универсальный рантайм · fill-mask

Можно запустить

Подбираем GPU…

Класс архитектуры
BertForMaskedLM
Ревизия весов
25950b4

0 моделей