/ Модель

Характеристики

Контекст
8 192 токена
Параметры
97,4 млн
Лицензия
Apache 2.0
Архитектура
modernbert · dense
Базовая модель
granite-embedding-97m-multilingual-r2
Библиотека
sentence-transformers
Опубликована
5 мая 2026

braza-embedding-ptbr-v1

ЭмбеддингиТекст → embedding8 профессий

Модель создаёт эмбеддинги для семантического поиска и сопоставления бразильских компаний и деловых документов на португальском языке.

116скачиваний за 30 дней0лайковвеса обновлены5 мая 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

braza-embedding-ptbr-v1 — модель текстовых эмбеддингов, разработанная TAMZ и дообученная на базе ibm-granite/granite-embedding-97m-multilingual-r2. Она использует архитектуру ModernBERT и содержит 97,4 млн параметров. Модель рассчитана прежде всего на бразильский вариант португальского языка и корпоративную лексику: описания компаний, отрасли, географию, размер бизнеса и запросы покупателей и специалистов по продажам. Максимальная длина контекста — 8192 токена.

Модель подходит для семантического поиска по данным о компаниях и деловым документам, сопоставления компаний с запросами, кластеризации и поиска дубликатов, а также для построения RAG-систем на португальском языке. В README приведены результаты MTEB для португальского языка: улучшение относительно базовой модели на ASSIN2 и SICK-BR, а также по взвешенной основной оценке. Лицензия — Apache-2.0.

Сценарии применения

  • семантический поиск компаний по описанию и требованиям покупателя
  • поиск B2B-лидов по отрасли, региону и размеру бизнеса
  • сопоставление компаний с запросами отдела продаж
  • кластеризация похожих компаний
  • поиск дубликатов записей о компаниях
  • извлечение релевантных деловых документов для португалоязычной RAG-системы

Ограничения

Специализация на бразильском B2B-контексте не гарантирует столь же высоких результатов на других языках и в общих текстовых задачах. Приведённые оценки относятся к указанным португалоязычным наборам MTEB.

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

braza-embedding-ptbr-v1

The first PT-BR embedding model fine-tuned on 474,000 real Brazilian B2B companies.

Fine-tuned from ibm-granite/granite-embedding-97m-multilingual-r2 using a Karpathy-style autoresearch loop — 36 autonomous training iterations on an RTX 5090, each proposing and self-validating its own strategy. 35 out of 36 iterations improved the model (97% acceptance rate).

Built at TAMZ — a Brazilian B2B sales intelligence platform that identifies, enriches, and delivers company leads ready for outreach. The training data comes directly from TAMZ's enrichment pipeline over 32M Brazilian companies from the Receita Federal.


MTEB Benchmark Results (PT-BR)

TaskBaseline (granite-97m)braza-embedding-ptbr-v1Δ
ASSIN2 STS0.66550.8082+21.5% 🟢
SICK-BR STS0.70620.8513+20.6% 🟢
ASSIN2 RTE0.72540.8408+16.0% 🟢
MTEB Primary (weighted avg)0.58260.6596+13.2%

STS (Semantic Textual Similarity) scores represent Spearman correlation with human judgements — the gold standard for measuring semantic embedding quality in Portuguese.


Why This Model Exists

There are virtually no PT-BR embedding models trained on real business data. Most multilingual models learn from Wikipedia and web crawls — they don't understand the vocabulary of Brazilian B2B:

  • "distribuidora de insumos industriais no Nordeste"
  • "SaaS de gestão condominial para construtoras"
  • "startup de fintech para MEI e pequenas empresas"
  • "consultorias de RH para empresas de médio porte em SP"

This model was built to fix that.


Model Details

PropertyValue
Base modelibm-granite/granite-embedding-97m-multilingual-r2
ArchitectureModernBERT
Parameters97M
Embedding dimension384 (Matryoshka: supports 256 / 128 / 64)
Max sequence length512 tokens
LanguagePortuguese (PT-BR)
DomainB2B, SaaS, tech, startups, comercial, empresas brasileiras
Training hardwareNVIDIA RTX 5090 32GB
Training time~8 hours overnight

Training: The Autoresearch Loop

Instead of static hyperparameter tuning, this model was trained using an autonomous iterative loop inspired by Karpathy's autoresearch approach:

for each of 36 iterations:
  1. Generate 150 company → query pairs using Qwen3.5-35B
  2. Stage 1: MatryoshkaLoss(MultipleNegativesRankingLoss, scale=30)
              → 180s on RTX 5090
              → trains 384/256/128/64 dims simultaneously
  3. Stage 2: CoSENTLoss on ASSIN2 + SICK-BR real annotated scores
              → 60s calibration on human-labelled PT-BR pairs
  4. Evaluate: ASSIN2-STS + SICK-BR-STS
  5. KEEP if improved → checkpoint saved
     DISCARD if regressed → restore previous checkpoint

Score progression over 36 iterations:

iter  0: 0.7322
iter  5: 0.7589
iter 10: 0.7831
iter 20: 0.8105
iter 30: 0.8270
iter 32: 0.8297  ← best checkpoint (this model)

Training Data: 474K Brazilian B2B Companies

The synthetic training data was generated from a proprietary dataset of 474,000 enriched Brazilian companies sourced from the Receita Federal (Brazilian tax authority) and enriched with web scraping + AI analysis.

Each company record contains:

  • Business description and value proposition (AI-generated from web scraping)
  • CNAE sector classification, company size, location, revenue range
  • Tech stack, AI adoption score, target market (B2B/B2C/B2B2C)
  • LinkedIn data, founding year, company stage

For each company, Qwen3.5-35B APEX generated 6 diverse semantic queries — simulating real B2B buyers and sales reps searching for vendors. Queries vary by:

  • Geographic filters ("empresa de TI em Curitiba", "fornecedor no Nordeste")
  • Company maturity ("startup de 1 ano", "empresa estabelecida há mais de 10 anos")
  • Decision-maker role ("CTO buscando", "gestor de compras procurando")
  • Tech signals ("empresa que usa Salesforce e HubSpot")
  • Revenue/size filters ("faturamento entre R$5M e R$20M")

Usage

from sentence_transformers import SentenceTransformer

model = SentenceTransformer("calneymgp/braza-embedding-ptbr-v1")

# B2B semantic search
query = "empresa de tecnologia SaaS B2B em São Paulo"
companies = [
    "Desenvolvemos software de gestão para pequenas empresas brasileiras",
    "Restaurante especializado em culinária italiana no centro de SP",
    "Plataforma de CRM para times de vendas corporativas B2B",
    "Distribuidora de equipamentos agrícolas no interior do Paraná",
]

query_emb = model.encode(query)
company_embs = model.encode(companies)
scores = model.similarity(query_emb, company_embs)

# Results: [0.81, 0.12, 0.79, 0.18] — retrieves tech SaaS companies correctly

Matryoshka — flexible embedding dimensions

# Full quality (384-dim) — default
embeddings = model.encode(texts)

# 2x faster search, ~1% quality loss (256-dim)
embeddings = model.encode(texts, truncate_dim=256)

# 9x faster search, ~3% quality loss (128-dim) — great for large-scale search
embeddings = model.encode(texts, truncate_dim=128)

Best For

✅ Semantic search over Brazilian business data
✅ B2B lead discovery and company matching (e.g. TAMZ) ✅ Company similarity, clustering, deduplication
✅ PT-BR RAG pipelines with business documents
✅ Memory systems for Portuguese AI agents
✅ Sales intelligence and market research (Brazil)


Infrastructure

ComponentDetails
Data generationQwen3.5-35B APEX GGUF on RTX 3090 (llama.cpp)
TrainingNVIDIA RTX 5090 32GB (PyTorch + sentence-transformers 5.x)
EvaluationMTEB 2.x — official PT-BR benchmark tasks
MonitoringDiscord notifications + HTTP dashboard per iteration
Loop controllerCustom autoresearch script (KEEP/DISCARD per iteration)

License

Apache 2.0 — same as the base IBM Granite Embedding model.


Citation

@misc{gerhardt2026braza,
  author    = {Calney Gerhardt},
  title     = {braza-embedding-ptbr-v1: Portuguese B2B Embedding via Autoresearch},
  year      = {2026},
  publisher = {HuggingFace},
  url       = {https://huggingface.co/calneymgp/braza-embedding-ptbr-v1},
  note      = {Fine-tuned from IBM Granite 97M on 474K Brazilian B2B companies
               using 36-iteration autonomous training loop (RTX 5090).
               Built at TAMZ (https://tamz.ai)}
}

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
ModernBertModel
Ревизия весов
fb1dfff

0 моделей