/ Модель

Характеристики

Контекст
7 999 токенов
Параметры
31,9 млн
Лицензия
Apache 2.0
Архитектура
modernbert · dense
Базовая модель
ettin-encoder-32m
Библиотека
sentence-transformers
Опубликована
31 мая 2026

ettin-encoder-32m-pretrain-50m

ЭмбеддингиТекст → embedding9 профессий

Компактный англоязычный ModernBERT-энкодер для создания эмбеддингов и семантического поиска по парам запрос–документ.

354скачиваний за 30 дней3лайкавеса обновлены31 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

capemox/ettin-encoder-32m-pretrain-50m — компактный энкодер для поиска и сравнения текстов, разработанный на основе jhu-clsp/ettin-encoder-32m. Это предварительно обученный на парах запрос–документ чекпойнт архитектуры ModernBERT примерно с 31,9 млн параметров; модель использует библиотеку Sentence Transformers и сохраняется в формате Safetensors. Контекст модели составляет до 7 999 токенов.

Модель обучена контрастивно на сбалансированной выборке из 50 млн пар корпуса DenseOn. Она предназначена для извлечения эмбеддингов и поиска по смыслу, в том числе как zero-shot энкодер или начальная точка для последующей настройки под конкретную задачу. README приводит результаты оценки на подмножестве BEIR и NanoBEIR, а также улучшение качества последующей настройки на MS MARCO hard negatives.

Модель ориентирована на английский язык. Это предварительное, не прошедшее supervised-настройку для поиска состояние, поэтому для специализированных сценариев может потребоваться дообучение и отдельная оценка на целевых данных. Лицензия — Apache-2.0.

Сценарии применения

  • семантический поиск по англоязычным документам
  • поиск релевантных документов по запросу
  • создание эмбеддингов предложений и документов
  • сравнение смысловой близости текстов
  • базовый чекпойнт для дообучения retrieval-модели

Ограничения

Это предварительно обученный чекпойнт без supervised-настройки на данных поиска; качество на конкретном корпусе следует проверять, а для специализированных задач может понадобиться дообучение. Указанные результаты относятся к ограниченным наборам оценки.

Для каких профессий подходит9

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

ettin-encoder-32m-pretrain-50m

A retrieval encoder pretrained from jhu-clsp/ettin-encoder-32m on a 50M-pair balanced split of the DenseOn embeddings pre-training dataset.

Training data: this model was contrastively pretrained on capemox/denseon-pretrain-50m-balanced, a 50,000,000-pair sample drawn from the DenseOn corpus lightonai/embeddings-pre-training-curated (665M curated query–document pairs across 34 sources). Pairs are sampled with T=2 temperature weighting + iterative equal-redistribution capping so that no single source dominates the mix.

This is a Stage 1 (pretraining-only) checkpoint — it has not been fine-tuned on supervised retrieval data. Use it as a strong starting point for Stage 2 fine-tuning, or as a zero-shot retrieval encoder.

Training recipe

Base modeljhu-clsp/ettin-encoder-32m (ModernBERT, ~32M params)
Training datacapemox/denseon-pretrain-50m-balanced (50M pairs, DenseOn split)
LossMultipleNegativesRankingLoss (full, in-batch negatives)
Batch size1024 (1023 in-batch negatives/anchor)
Per-source batchingeach batch drawn from one source dataset (DenseOn recipe)
Learning rate3e-5, linear decay, 5% warmup
Epochs1 (~48,827 steps)
Precisionbf16 + tf32, SDPA, torch.compile
Hardware1× A100-80GB, ~9h 55m

Evaluation (Stage 1 checkpoint, NDCG@10)

BEIR subset (zero-shot, no fine-tuning):

DatasetNDCG@10
ArguAna0.4810
FiQA20180.3107
NFCorpus0.2841
SCIDOCS0.1796
SciFact0.6448
TRECCOVID0.5814
Mean0.4136

NanoBEIR (13-dataset aggregate, end of training): 0.5300

Downstream value

When this checkpoint is fine-tuned on MS MARCO hard negatives (tomaarsen/msmarco-Qwen3-Reranker-0.6B), it reaches 0.3225 mean BEIR NDCG@10 — versus 0.2319 for the same fine-tune starting from the raw base model (+39% from this pretraining step).

Usage

from sentence_transformers import SentenceTransformer

model = SentenceTransformer("capemox/ettin-encoder-32m-pretrain-50m")

queries = ["What is the capital of France?"]
docs    = ["Paris is the capital and largest city of France."]

q = model.encode(queries, normalize_embeddings=True)
d = model.encode(docs,    normalize_embeddings=True)
print(q @ d.T)

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
b44f7be

0 моделей