/ Модель

Характеристики

Контекст
262 144 токена
Параметры
7,2 млрд
Лицензия
Apache 2.0
Архитектура
qwen3_5_text · dense
Библиотека
transformers
Опубликована
29 июл 2026

mitra-qwen35-embedder

ЭмбеддингиТекст → embedding3 профессии

Плотная модель эмбеддингов для межъязыкового поиска параллельных фрагментов в классической буддийской литературе на санскрите, тибетском, китайском, пали и английском.

72скачиваний за 30 дней1лайквеса обновлены29 июл 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

mitra-qwen35-embedder — плотная модель эмбеддингов для поиска в классической буддийской литературе, созданная командой Dharmamitra на базе Qwen3.5-9B. Модель прошла доменное продолжение предобучения, дообучение с учителем и контрастивное дообучение на параллельных данных; в финальном этапе использовались сложные негативные примеры из сценариев исследовательского поиска.

Модель предназначена для межъязыкового поиска параллельных мест: она сопоставляет предложение на одном классическом языке с фрагментом на другом, а также поддерживает поиск по запросу на английском и извлечение фрагмента-перевода. Размер — 7,2 млрд параметров по метаданным, размерность эмбеддинга — 4096, контекст — до 262 144 токенов. Использует архитектуру Qwen3.5 Text и библиотеку Transformers. Для запросов требуется инструкция в шаблоне; документы подаются как обычный текст. Качество зависит от EOS-токена, левого дополнения и pooling по последнему токену. Тибетский поддерживается письмом и транслитерацией Уайли, санскрит и пали — романизацией IAST, китайский — китайским письмом.

В карточке приведены результаты собственных оценок на бенчмарке поиска параллельных текстов, включая сложную настройку с 25 000 отвлекающих фрагментов. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • поиск тибетского параллельного фрагмента по предложению на санскрите
  • поиск санскритского или палийского соответствия по запросу на английском
  • поиск окна текста, содержащего перевод или параллельное место
  • поиск по вопросу в корпусе классической буддийской литературы
  • построение векторного индекса для межъязыкового поиска буддийских текстов

Ограничения

Для корректного качества необходимы EOS-токен, левое дополнение и pooling последнего токена; запросы требуют инструкционного шаблона. Санскрит и пали следует подавать в романизации IAST, а результаты бенчмарка в карточке являются собственными оценками разработчиков.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

mitra-qwen35-embedder

A 9B dense retrieval embedder for classical Buddhist literature, built on Qwen3.5-9B with large-scale domain continued-pretraining, SFT, and contrastive finetuning on cross-lingual parallel data (Sanskrit, Tibetan, Buddhist Chinese, Pāli, English), including hard-negative pairs mined from deep-research usage.

It is the embedding model behind the Dharmamitra search stack. Its defining capability is asymmetric cross-lingual retrieval: matching a single sentence in one classical language to the passage window containing its parallel in another — a task on which strong general-purpose embedders (BGE-M3, Qwen3-Embedding) score near zero.

Prompting template

Queries are wrapped in an instruction template using the two special tokens <instruct> and <query> (added to the tokenizer vocabulary):

<instruct>{instruction}\n<query>{query text}

Passages/documents are embedded as raw text — no template.

The instruction used at training time:

Please find the semantically most similar text.

optionally with a target-language hint, which improves cross-lingual precision:

Please find the semantically most similar text in Tibetan.
Please find the semantically most similar text in Chinese.

Three conventions that materially affect quality:

  1. EOS is required on every input (query and passage). The bundled tokenizer has add_eos_token: true, so AutoTokenizer handles this automatically — do not disable it.
  2. Left padding + last-token pooling. The embedding is the final hidden state at the last (EOS) position, L2-normalized.
  3. Script conventions: Tibetan works in either native Tibetan script or Wylie transliteration — we measure identical retrieval quality for both (the pretraining corpus is native script; the contrastive stage used Wylie). Sanskrit and Pāli should be IAST romanization; Chinese in Chinese script.

Usage

import torch
from transformers import AutoModel, AutoTokenizer

tok = AutoTokenizer.from_pretrained("buddhist-nlp/mitra-qwen35-embedder")
tok.padding_side = "left"
model = AutoModel.from_pretrained(
    "buddhist-nlp/mitra-qwen35-embedder", dtype=torch.bfloat16, device_map="cuda"
).eval()

INSTR = "Please find the semantically most similar text."

def embed(texts, is_query=False, batch_size=16):
    if is_query:
        texts = [f"<instruct>{INSTR}\n<query>{t}" for t in texts]
    out = []
    with torch.no_grad():
        for i in range(0, len(texts), batch_size):
            enc = tok(texts[i:i+batch_size], padding=True, truncation=True,
                      max_length=512, return_tensors="pt").to(model.device)
            h = model(**enc).last_hidden_state[:, -1]          # last-token pooling
            out.append(torch.nn.functional.normalize(h.float(), dim=-1).cpu())
    return torch.cat(out)

q = embed(["evaṃ mayā śrutam ekasmin samaye"], is_query=True)
p = embed(["'di skad bdag gis thos pa dus gcig na", "如是我聞一時"])
print(q @ p.T)   # cosine similarities

Evaluation

R@1 on the mitra retrieval benchmark, hardened setting: 25,000 in-language distractor passages added to every candidate pool (this model's own measurements; Tibetan given in native script):

taskthis modelgemma-2-mitra-eBGE-M3
Multilingual parallels (sa/bo/zh)0.8460.8410.001
Multilingual asymmetric (sentence→window)0.7880.5810.000
English → classical0.8760.8790.068
Verse → commentary0.4830.3840.138
English question → passage0.5230.4730.020

This checkpoint's own results on gold pools (per-subtask pools without added distractors):

taskthis modelgemma-2-mitra-eBGE-M3
Multilingual parallels (sa/bo/zh)0.8610.8500.007
Multilingual asymmetric (sentence→window)0.8130.6540.002
English → classical0.8850.8860.204
Verse → commentary0.5060.4130.298
English question → passage0.5740.5340.077

This checkpoint additionally leads the sibling on question→passage retrieval (its distinguishing strength from the deep-research continuation training).

Model details

  • Base: Qwen3.5-9B after ~30B tokens of continued pretraining on classical Buddhist corpora and a domain SFT stage
  • Contrastive finetuning: LoRA (r=32), InfoNCE with cross-device negatives, temperature 0.02, group size 8, 512-token inputs, followed by a short continuation on hard-negative pairs mined from deep-research citation logs
  • Embedding dimension: 4096
  • Languages: Sanskrit, Tibetan (Wylie), Buddhist Chinese, Pāli, English

Citation

If you use this model, please cite the Dharmamitra project (https://dharmamitra.org). A technical report is in preparation.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5TextModel
Ревизия весов
b2343b8

0 моделей