/ Модель

Характеристики

Контекст
8 192 токена
Параметры
9 млрд
Размер весов
37 ГБ
Архитектура
gemma2 · dense
Библиотека
transformers
Опубликована
23 мая 2025

gemma-2-mitra-e

Генерация текстаТекст → текст8 профессий

Многоязычная модель на базе Gemma 2, создающая нормализованные векторы предложений для семантического поиска, сравнения и межъязыкового выравнивания текстов.

74скачиваний за 30 дней4лайкавеса обновлены7 мар 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 «Текст» — 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

buddhist-nlp представляет gemma-2-mitra-e — многоязычную модель эмбеддингов предложений на базе Gemma 2. Она использует архитектуру Gemma2ForCausalLM как текстовый энкодер: извлекает скрытое состояние последнего токена и нормализует полученный вектор по L2. Модель содержит 9 млрд параметров, работает с контекстом до 8192 токенов и распространяется в формате safetensors через Transformers.

Модель предназначена для семантического поиска, сравнения предложений и межъязыкового выравнивания текстов. Для запросов рекомендуется шаблон с инструкцией «Please find the semantically most similar text in {language}», а тексты корпуса подаются без инструкции; близость векторов можно оценивать косинусным сходством, а поиск выполнять, например, через FAISS. Среди целевых языков карточка называет санскрит, тибетский, пали, китайский и английский; также приведены примеры шаблона для хинди.

Модель подходит для поиска по коллекциям, сопоставления параллельных текстов и систем RAG, которым нужны многоязычные векторы предложений. Карточка рекомендует проверять качество на собственных данных и языках, поскольку возможны смещения и ограничения. Лицензия в предоставленных данных не указана.

Сценарии применения

  • Поиск похожих предложений на нескольких языках
  • Семантический поиск по коллекции текстов
  • Выравнивание предложений в параллельных буддийских текстах
  • Подготовка эмбеддингов запросов и документов для RAG
  • Поиск ближайших текстов через FAISS

Ограничения

Для запросов и текстов корпуса требуются разные форматы подачи; несоблюдение шаблона может ухудшить результаты. Возможны смещения и недостаточное качество на отдельных языках и наборах данных, поэтому модель следует оценить перед внедрением.

Для каких профессий подходит8

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

Model Card for gemma2-mitra-embedding

Multilingual sentence embedding model based on Gemma 2, designed for semantic similarity and retrieval. It is used in the Mitra alignment stack to embed sentences in languages such as Sanskrit, Tibetan, Pali, Chinese, and English for cross-lingual sentence alignment and similarity search.

Direct Use

  • Semantic similarity: Encode sentences and compare them via cosine similarity (embeddings are L2-normalized).
  • Retrieval: Encode queries with the query template and corpus passages with the corpus (no instruction) format; retrieve by nearest-neighbor search (e.g. FAISS).
  • Multilingual alignment: Used in this repo to embed source and target sentences for sentence-level alignment (e.g. Buddhist texts across Sanskrit, Tibetan, Pali, Chinese, English).

Downstream Use [optional]

  • Integration into alignment pipelines (e.g. Bertalign-style alignment with this embedder).
  • RAG or search systems that need multilingual, instruction-aware query/corpus embeddings.
  • Any application that consumes L2-normalized sentence vectors from this model.

Recommendations

  • Use the exact prompt format (see “How to Get Started”) for queries and corpus.
  • Users should be aware of potential biases and limitations; evaluate on their own data and languages before deployment.

How to Get Started with the Model

Prompt / template pattern

The model expects asymmetric inputs:

  • Query (instruction + query):
    <instruct>Please find the semantically most similar text in {language}.\n<query>{sentence_text}
    where {language} is a full language name (e.g. "Sanskrit", "Tibetan", "English", "Chinese", "Pali", "Hindi") and {sentence_text} is the query string.

  • Corpus:
    Use the raw sentence (or passage) text only, with no <instruct> or <query> wrapper.

Example (with 8-bit and Hugging Face Transformers)

from transformers import AutoModelForCausalLM, AutoTokenizer, BitsAndBytesConfig
import torch

model_path = "gemma2-mitra-embedding"
quantization_config = BitsAndBytesConfig(
    load_in_8bit=True,
    llm_int8_threshold=6.0,
    llm_int8_has_fp16_weight=False,
)
model = AutoModelForCausalLM.from_pretrained(
    model_path,
    quantization_config=quantization_config,
    device_map={"": 0},
    torch_dtype=torch.float16,
    trust_remote_code=True,
)
tokenizer = AutoTokenizer.from_pretrained(model_path, trust_remote_code=True)
if tokenizer.pad_token is None:
    tokenizer.pad_token = tokenizer.eos_token

# Query encoding (one sentence)
language = "Sanskrit"  # or Tibetan, English, Chinese, Pali, Hindi
text = "Your query sentence here."
prompt = f"<instruct>Please find the semantically most similar text in {language}.\\n<query>{text}"
inputs = tokenizer(prompt, return_tensors="pt", padding=True, truncation=True, max_length=512).to(model.device)
with torch.no_grad():
    outputs = model(**inputs, output_hidden_states=True)
# Last token embedding (last non-padded)
last_token_idx = inputs["attention_mask"].sum(dim=1) - 1
embedding = outputs.hidden_states[-1][torch.arange(last_token_idx.size(0)), last_token_idx]
# L2-normalize for cosine similarity
embedding = embedding / embedding.norm(dim=-1, keepdim=True)

For corpus sentences, pass only the raw text (no <instruct>/<query>), then take the last token hidden state and L2-normalize the same way.

Alternatively, use FlagEmbedding’s FlagLLMModel with this model path for encode_queries and encode_corpus (see FlagEmbedding).

Model Architecture and Objective

  • Architecture: Gemma 2 (Gemma2Model), used as an encoder: input text → last-token hidden state → L2-normalized embedding.
  • Config (from repo): hidden_size=3584, num_hidden_layers=42, num_attention_heads=16, num_key_value_heads=8, intermediate_size=14336, head_dim=256, max_position_embeddings=8192, sliding_window=4096, vocab_size=256002 (includes special tokens <instruct>, <query>).
  • Special tokens: <instruct>, <query> (see special_tokens_map.json / added_tokens.json in the model dir).
  • Objective: Dense retrieval / semantic similarity (asymmetric query/corpus encoding).

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Gemma2ForCausalLM
Ревизия весов
b887229

0 моделей