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
agentrag-embed-v1 — дообученная dung6903 модель на базе intfloat/multilingual-e5-base для извлечения медицинских документов во вьетнамоязычном RAG-проекте AgentRag. Она основана на XLM-RoBERTa и выдаёт плотные эмбеддинги размерностью 768; применяется mean pooling с L2-нормализацией. Контекст — до 514 токенов по метаданным; README указывает максимальную длину последовательности 512 токенов.
Модель обучена на 5,3 тыс. троек «запрос, релевантный пример, нерелевантный пример» с MultipleNegativesRankingLoss в течение двух эпох. В оценке на бенчмарке поиска проекта показатель recall@10 вырос на 0,20 относительно базовой multilingual-e5-base. Для запросов и документов используются префиксы `query:` и `passage:`; модель предназначена для создания векторного представления текста и семантического поиска, а не для генерации ответов. Лицензия — MIT.
Сценарии применения
Поиск релевантных медицинских документов по запросу на вьетнамском языке
Подбор медицинских фрагментов для контекста RAG-системы
Семантическое сопоставление медицинских запросов и документов
Ранжирование кандидатов на медицинские документы по сходству эмбеддингов
Ограничения
Модель настроена на поиск по вьетнамоязычным медицинским документам; качество за пределами этой области отдельно не подтверждено. Для корректной работы с запросами и документами следует использовать префиксы `query:` и `passage:`.
Для каких профессий подходит3
Разделы каталога профессий, в задачах которых используется эта модель