/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
151 млн
Лицензия
Apache 2.0
Архитектура
ultrabert · dense
Базовая модель
UltraBERT-150M
Библиотека
sentence-transformers
Опубликована
10 окт 2026

UltraBERT-Embed-150M

ЭмбеддингиТекст → embedding

Англоязычный энкодер UltraBERT на 151 млн параметров для построения эмбеддингов текста и кода, семантического поиска и сравнения сходства.

1 556скачиваний за 30 дней46лайковвеса обновлены16 окт 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки33

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

  • TempReasonL2Pure

    main_score

    Результат

    0,0114

    MTEB

    Публичная таблицадругая ревизия

  • STS22.v2

    main_score

    Результат

    0,6745

    MTEB

    Публичная таблицадругая ревизия

  • CodeSearchNetRetrieval

    main_score

    Результат

    0,8259

    Общий результат 0,9496Общий результат 0,87
    MTEB

    Публичная таблицадругая ревизия

  • CodeSearchNetCCRetrieval

    main_score

    Результат

    0,9136

    Общий результат 0,9541Общий результат 0,9529Общий результат 0,9492
    MTEB

    Публичная таблицадругая ревизия

  • STSBenchmark

    main_score

    Результат

    0,8676

    MTEB

    Публичная таблицадругая ревизия

  • LEMBNeedleRetrieval

    main_score

    Результат

    0,68

    Общий результат 0,62Общий результат 0,54
    MTEB

    Публичная таблицадругая ревизия

  • ArXivHierarchicalClusteringP2P

    main_score

    Результат

    0,6295

    MTEB

    Публичная таблицадругая ревизия

  • TempReasonL3Fact

    main_score

    Результат

    0,3567

    MTEB

    Публичная таблицадругая ревизия

  • LEMBPasskeyRetrieval

    main_score

    Результат

    1

    Общий результат 0,94
    MTEB

    Публичная таблицадругая ревизия

  • STS15

    main_score

    Результат

    0,8882

    MTEB

    Публичная таблицадругая ревизия

  • CodeEditSearchRetrieval

    main_score

    Результат

    0,6481

    Общий результат 0,6884Общий результат 0,6721Общий результат 0,657
    MTEB

    Публичная таблицадругая ревизия

  • StackExchangeClustering.v2

    main_score

    Результат

    0,6158

    MTEB

    Публичная таблицадругая ревизия

  • MassiveIntentClassification

    main_score

    Результат

    0,7568

    MTEB

    Публичная таблицадругая ревизия

  • Touche2020Retrieval.v3

    main_score

    Результат

    0,5996

    MTEB

    Публичная таблицадругая ревизия

  • ClimateFEVERHardNegatives

    main_score

    Результат

    0,3375

    MTEB

    Публичная таблицадругая ревизия

  • TempReasonL3Context

    main_score

    Результат

    0,2192

    MTEB

    Публичная таблицадругая ревизия

  • CQADupstackGamingRetrieval

    main_score

    Результат

    0,6342

    MTEB

    Публичная таблицадругая ревизия

  • STS12

    main_score

    Результат

    0,7472

    MTEB

    Публичная таблицадругая ревизия

  • Quail

    main_score

    Результат

    0,0797

    MTEB

    Публичная таблицадругая ревизия

  • PIQA

    main_score

    Результат

    0,3505

    MTEB

    Публичная таблицадругая ревизия

  • RARbMath

    main_score

    Результат

    0,8552

    MTEB

    Публичная таблицадругая ревизия

  • LEMBNarrativeQARetrieval

    main_score

    Результат

    0,6455

    MTEB

    Публичная таблицадругая ревизия

  • ToxicConversationsClassification

    main_score

    Результат

    0,7977

    MTEB

    Публичная таблицадругая ревизия

  • RARbCode

    main_score

    Результат

    0,7281

    MTEB

    Публичная таблицадругая ревизия

  • SIQA

    main_score

    Результат

    0,0236

    MTEB

    Публичная таблицадругая ревизия

  • HellaSwag

    main_score

    Результат

    0,3391

    MTEB

    Публичная таблицадругая ревизия

  • HotpotQAHardNegatives

    main_score

    Результат

    0,7318

    MTEB

    Публичная таблицадругая ревизия

  • TempReasonL3Pure

    main_score

    Результат

    0,0749

    MTEB

    Публичная таблицадругая ревизия

  • COIRCodeSearchNetRetrieval

    main_score

    Результат

    0,7628

    Общий результат 0,8052
    MTEB

    Публичная таблицадругая ревизия

  • MindSmallReranking

    main_score

    Результат

    0,3219

    MTEB

    Публичная таблицадругая ревизия

  • AlphaNLI

    main_score

    Результат

    0,3609

    MTEB

    Публичная таблицадругая ревизия

  • StackExchangeClusteringP2P.v2

    main_score

    Результат

    0,4164

    MTEB

    Публичная таблицадругая ревизия

  • LEMBSummScreenFDRetrieval

    main_score

    Результат

    0,9763

    MTEB

    Публичная таблицадругая ревизия

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

UltraBERT-Embed-150M — англоязычная модель эмбеддингов текста и кода, разработанная dmis-lab на базе энкодера UltraBERT-150M. Она преобразует входные данные в векторы размерностью 768 и поддерживает последовательности до 32 768 токенов. Модель обучена в два контрастивных этапа на парах текстов и кода, включая примеры с трудными негативными ответами; при формировании запросов поддерживает инструкции в стиле E5-mistral.

Модель предназначена для семантического поиска, извлечения релевантных документов, сравнения предложений, кластеризации и классификации. Она также подходит для поиска по коду и для длинных документов, которые можно кодировать целиком в пределах контекстного окна. В README приведены результаты MTEB(eng, v2) 67,24 и MTEB(Code, v1) 73,30.

Это плотный энкодер на 151 млн параметров; модель распространяется в формате Safetensors и использует библиотеку Sentence Transformers. Лицензия — Apache-2.0. Модель ориентирована на английский язык, поэтому качество для других языков не подтверждено; для запросов при поиске рекомендуется задавать инструкцию, соответствующую задаче.

Сценарии применения

  • семантический поиск по длинным английским документам
  • поиск фрагментов кода по описанию или запросу
  • ранжирование документов по релевантности запросу
  • сравнение сходства предложений и текстовых пар
  • кластеризация и классификация текстов по эмбеддингам

Ограничения

Модель ориентирована на английский язык; качество на других языках не заявлено. Для запросов в сценариях поиска рекомендуется добавлять инструкцию, соответствующую задаче.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

UltraBERT-Embed-150M

UltraBERT-Embed-150M is an English text embedding model built on UltraBERT-150M. It maps text to a 768-dimensional vector, takes inputs up to 32K tokens, follows task instructions on the query side, and embeds code as well as text. On MTEB(eng, v2) it scores 67.24 Mean(Task), the highest of any dense model under 200M parameters, without distillation from a larger embedding model.

ModelParametersHiddenContextDescription
UltraBERT-150M150M76832KPre-trained encoder
UltraBERT-380M380M1,02432KPre-trained encoder
UltraBERT-Embed-150M (this model)150M76832KText embedding model built on UltraBERT-150M

For more information about UltraBERT, please check out our paper.

✨ Highlights

As of October 11, 2026, UltraBERT-Embed-150M is the state of the art among dense embedding models under 200M parameters on both MTEB(eng, v2) and MTEB(Code, v1).

  • MTEB(eng, v2): 67.24. Mean over the 41 tasks, ahead of Tarka-Embedding-150M-V1 (66.39) and gte-modernbert-base (66.26). The models closest behind are distilled from larger embedding models; this one is trained with contrastive losses on public pairs only.
  • MTEB(Code, v1): 73.30. Mean over the 12 tasks, with CoIR 72.73, from code pairs in both training stages.
  • LongEmbed: 79.30. Highest of the models we compared, including 99.0 on passkey retrieval, with documents up to 32K tokens embedded whole rather than truncated.
  • RAR-b: 28.75. Highest of the encoders we compared on reasoning-style retrieval.
  • Instructions. Queries carry an E5-mistral style instruction (Instruct: {task}\nQuery: ) and documents are embedded raw, so one model serves retrieval, classification, clustering and similarity.

🚀 Usage

Requires sentence-transformers >= 6.0 and transformers >= 5.20; on earlier 5.x versions, pass trust_remote_code=True. FlashAttention 2 is recommended: with it, Sentence Transformers packs the batch without padding, which matters for long inputs. SDPA also works ("attn_implementation": "sdpa").

from sentence_transformers import SentenceTransformer

model = SentenceTransformer(
    "dmis-lab/UltraBERT-Embed-150M",
    model_kwargs={"attn_implementation": "flash_attention_2", "dtype": "bfloat16"},
)

queries = ["Win big, click now!"]
labels = ["spam", "promotional", "announcement"]

query_embeddings = model.encode(queries, prompt="Instruct: Labeling spam emails\nQuery: ")
label_embeddings = model.encode(labels, prompt="Label: ")
print(model.similarity(query_embeddings, label_embeddings))

prompt_name="query" applies the default retrieval instruction. Documents never take an instruction, except label phrases, which take the prefix Label: . For symmetric tasks (STS, paraphrase, duplicate detection) apply the same instruction to both sides, e.g. Instruct: Retrieve semantically similar text.\nQuery: . For classification and clustering, name the categories, e.g. Instruct: Classify the sentiment expressed in the given movie review text\nQuery: .

📊 Evaluation

MTEB(eng, v2)

ModelParamsAverage (41)Class. (8)Clust. (8)PairClass. (3)Rerank. (2)Retr. (10)STS (9)Summ. (1)
UltraBERT-Embed-150M151M67.2481.7449.7085.3347.5057.2083.0334.89
Tarka-Embedding-150M-V1 (distilled)156M66.3986.2852.0281.6545.6651.5281.4830.83
gte-modernbert-base149M66.2680.7048.0685.9447.6156.9181.4031.81
F2LLM-v2-160M (distilled)159M65.9387.1352.5582.0845.2649.3380.7628.63
gte-base-en-v1.5137M65.881.047.985.446.655.581.729.0
GIST-Embedding-v0109M65.5078.1648.5086.3347.5253.5983.3532.32
bge-base-en-v1.5109M65.1477.6947.4286.5646.6654.7582.1230.19
stella-base-en-v2109M64.9079.3747.5086.5147.3151.5682.7331.78
nomic-embed-text-v1137M63.6076.7746.6485.1545.7150.7281.7830.40
granite-embedding-english-r2149M62.8470.7147.2079.3449.1056.4378.1229.31
e5-base-v2109M62.6775.4845.2085.6345.1349.6780.6434.26
DenseOn149M62.4772.6146.1179.5747.7059.0973.0828.84
nomic-embed-text-v1.5137M62.2075.7147.5585.1646.0147.9778.7028.56
modernbert-embed-base149M62.175.146.382.446.348.779.334.1

MTEB(Code, v1) and CoIR

ModelParamsAverage (12)CoIRAppsCOIR-CSNCodeEditCFB-MTCFB-STCSN-CCCSNCT-ContestCT-DLCosQASO-QAT2SQL
UltraBERT-Embed-150M151M73.3072.7368.5082.2362.2184.3786.4093.7390.0388.0837.2336.2992.4358.05
gte-modernbert-base149M71.6671.5357.7283.1055.8386.1586.0093.6188.7672.3537.2743.3691.1464.61
NightOwl-CodeEmbedding151M70.9168.6839.1884.2674.8176.6985.2191.8089.2475.9536.0642.8186.6168.27
F2LLM-v2-160M (distilled)159M70.3870.5258.9582.1855.8190.0086.2285.1483.4980.2234.5536.5287.3664.09
Tarka-Embedding-150M-V1 (distilled)156M57.7155.9438.9662.3951.6049.1578.3454.5581.4880.7431.7936.0375.9751.47
granite-embedding-english-r2149M57.2254.6513.9664.6559.3552.5477.1847.6780.7977.0735.0337.0191.8049.55
DenseOn149M55.9652.7512.8155.2462.8348.9778.6355.4381.1169.6631.8436.0792.6046.29
e5-base-v2109M53.5150.3911.5262.7155.8941.5674.5256.8782.3162.5021.8732.5987.8551.88
modernbert-embed-base149M53.2849.516.5471.3557.2440.6670.2856.8486.9956.7326.8835.4476.9653.42
bge-base-en-v1.5109M50.3546.616.4572.0253.0733.6570.0050.8985.1145.6523.4933.7180.2349.98
nomic-embed-text-v1.5137M47.3643.624.8864.9149.5039.7364.8948.6782.6445.6321.9326.4971.0648.05

LongEmbed

ModelParamsMax. Len.Average (6)NQANeedlePasskeyQMSumSFD2WmQA
UltraBERT-Embed-150M151M3276879.3064.5566.5099.0055.2897.6292.86
bekko-embedding-v1-a25m123M819273.1948.1374.7585.0047.0896.9287.24
BidirLM-270M-Embedding268M3276871.8254.2166.7590.5047.2196.1976.04
granite-embedding-311m-multilingual-r2312M819271.7251.1155.5095.5047.2595.7185.23
bekko-embedding-v1-a8m106M819270.6044.5076.5085.0042.5496.4078.68
granite-embedding-english-r2149M819267.849.749.883.342.894.286.9
DenseOn149M819266.5049.9560.2564.5044.0594.8385.45
F2LLM-v2-330M (distilled)334M819266.2648.1652.2576.2540.1596.5684.18
jina-embeddings-v5-text-nano (distilled)212M819263.6552.1759.7581.5031.8381.8074.87
gte-multilingual-base305M819262.1252.3642.2555.5043.0395.5084.08
gte-base-en-v1.5137M819259.447.331.858.041.792.185.6
F2LLM-v2-160M (distilled)159M819257.6429.1854.7569.0032.6091.0669.22
nomic-embed-text-v1137M819257.541.239.560.736.793.073.8
gte-modernbert-base149M819257.030.224.566.840.793.187.0
modernbert-embed-base149M819256.341.135.862.536.794.567.5

RAR-b

ModelParamsAverage (17)ARC-CαNLIHellaSwagWinoGrandePIQASIQAQuailSpartQATRCodeMath
UltraBERT-Embed-150M151M28.7516.1536.0933.9159.8235.052.367.977.0518.8672.8185.52
granite-embedding-311m-multilingual-r2312M27.959.8930.5526.3666.6127.452.075.0764.6315.5058.3575.65
e5-large-v2335M27.3311.2915.1627.8651.5229.554.075.2810.3725.0458.6775.51
KaLM-embedding-multilingual-mini-v1494M25.7910.3626.7329.3729.9130.572.935.3410.5719.7270.6483.96
DenseOn149M24.1213.8134.3332.2425.6434.261.725.699.4414.9565.4882.78
e5-base-v2109M23.8310.0121.7325.4846.9927.714.374.947.8419.1254.4767.76
gte-modernbert-base149M23.5413.2828.6429.4553.0030.522.565.767.8212.2554.0089.41
arctic-embed-m-v2.0305M23.3310.7830.4228.2566.3330.831.675.123.7512.7756.0973.91
F2LLM-v2-330M (distilled)334M23.2813.3830.2326.4634.9028.482.965.9313.1312.4361.1292.12
Tarka-Embedding-150M-V1 (distilled)156M21.7610.9635.0325.9658.8627.942.014.986.1411.9156.2858.30
granite-embedding-english-r2149M20.6510.7531.7128.0135.1229.021.694.992.829.6452.9286.59
F2LLM-v2-160M (distilled)159M19.629.4727.7622.2543.1623.751.464.8614.487.4549.7284.50
mxbai-embed-large-v1335M19.5010.5323.3228.9947.9928.452.333.391.5112.2443.7955.57
modernbert-embed-base149M16.0410.3830.0828.5522.8228.931.193.416.665.8241.3158.58
nomic-embed-text-v1.5137M15.3910.2429.7224.6746.7924.712.674.226.306.8829.0935.14
bge-base-en-v1.5109M14.599.6610.9926.6413.7625.700.941.423.378.9046.4746.86

🏛️ Model Description

Base modelUltraBERT-150M
Parameters151M
Embedding dimension768
PoolingCLS token
Similaritycosine
Max sequence length32,768 tokens
Instruction formatInstruct: {task}\nQuery: on queries
LanguageEnglish (text and code)

⚙️ Training

UltraBERT-Embed-150M is trained from UltraBERT-150M in two contrastive stages with Sentence Transformers. The first stage trains on about 500M weakly supervised text and code pairs with in-batch negatives only. The second stage fine-tunes on about 5.7M examples with mined hard negatives, with a task instruction on the query side and inputs up to 32K tokens so that long documents are seen whole. The released weights are the average of several checkpoints from the second stage.

Training data comes from public sources only, without distillation from a larger embedding model:

  • Web question-answer and title-body pairs (PAQ, GooAQ, Yahoo Answers, Amazon QA, Reddit, StackOverflow, news, Wikipedia, S2ORC)
  • Code pairs (CornStack, OCGI, xCodeEval)
  • Retrieval datasets with hard negatives (MS MARCO, NQ, TriviaQA, HotpotQA, FEVER, SQuAD 2.0, MIRACL, MLDR, DBpedia, BioASQ, PubMedQA, MedQuAD)
  • Sentence similarity (NLI, QQP, PAWS-X, synthetic STS)
  • Classification and clustering (synthetic classification data from the Nemotron embedding dataset, Amazon polarity, toxicity datasets)

Citation

@misc{park2026ultrabert,
      title={UltraBERT: Beyond the Limit of BERT Pre-Training}, 
      author={Jungwoo Park and Taewhoo Lee and Jaewoo Kang},
      year={2026},
      eprint={2610.15028},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2610.15028}, 
}

Как запустить

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

GPU в ailist

Универсальный рантайм · sentence-transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
UltrabertModel
Ревизия весов
b06b367

0 моделей