/ Модель

Характеристики

Контекст
514 токенов
Параметры
659 млн
Лицензия
Apache 2.0
Архитектура
xlm-roberta · dense
Базовая модель
xlm-roberta-large
Опубликована
26 апр 2025

turkuaz-embeddings

ЭмбеддингиТекст → embedding8 профессий

Модель эмбеддингов на базе XLM-RoBERTa Large для семантического поиска и извлечения турецких документов в RAG-системах.

19скачиваний за 30 дней7лайковвеса обновлены30 апр 2025

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

Turkuaz-Embeddings — модель эмбеддингов, разработанная eneSadi для поиска по турецким текстам. Она основана на XLM-RoBERTa Large и дообучена на наборе MSMARCO-TR; размер вектора эмбеддинга составляет 1024, максимальная длина контекста — 514 токенов. Модель предназначена для семантического поиска, информационного поиска, zero-shot retrieval и использования в RAG-системах с турецкими документами.

В карточке заявлено улучшение результатов на нескольких турецких наборах для поиска относительно мультиязычных и турецких моделей, а также относительно исходной XLM-RoBERTa Large. Для обучения использовались пары документов с оценками релевантности от Jina Reranker v2 и функция потерь CoSENT. Модель принимает текст и выдаёт векторы; её основная специализация — турецкий язык. Распространяется по лицензии Apache-2.0.

Сценарии применения

  • семантический поиск по турецким документам
  • извлечение релевантных фрагментов для турецкой RAG-системы
  • поиск ответов на вопросы в турецкой базе знаний
  • zero-shot поиск по турецким текстам

Ограничения

Оптимизирована для турецкого языка, поэтому качество на других языках карточкой не подтверждено. Максимальный контекст ограничен 514 токенами.

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

Turkuaz-Embeddings

Overview

Turkuaz-Embeddings is a novel Turkish embedding model specifically optimized for information retrieval tasks. While multilingual embedding models aim to cover a wide range of languages, they often struggle with low-resource languages like Turkish. Turkuaz-Embeddings addresses these limitations, achieving significant improvements in retrieval performance across multiple Turkish benchmarks.

With the rise of Retrieval-Augmented Generation (RAG) systems, the need for reliable, language-specific embeddings has become critical. Turkuaz-Embeddings enhances retrieval reliability and accuracy, making it a valuable component for RAG pipelines and other downstream semantic search tasks involving Turkish content.


Highlights

  • Outperforms widely used multilingual models with certain Turkish benchmarks, and Turkish embedding models by up to 20% and on average 9% on Turkish retrieval benchmarks.
  • Achieves up to 35% and on average 20% improvement compared to its baseline architecture XLM-RoBERTa Large.
  • Demonstrates robust zero-shot retrieval capabilities, indicating strong generalization.
  • Specifically designed for Turkish, addressing the unique challenges of an agglutinative language.
  • Embedding Size: 1024

Model Training Process

Turkuaz-Embeddings was developed based on the XLM-RoBERTa architecture and fine-tuned using the MSMARCO-TR dataset. The training pipeline involved multiple innovative steps:

  • Training Data:

    • Document pairs with reranker-generated scores
  • Reranker for Scoring:

    • Jina Reranker v2, a cross-encoder model, was used to generate more nuanced relevance scores for document pairs.
  • Loss Function:

    • Trained with CoSENT (Cosine Sentence) Loss from the Sentence Transformers library, optimizing cosine similarity between sentence embeddings.
  • Evaluation During Training:

    • Used the Embedding Similarity Evaluator from Sentence Transformers to assess embedding quality.
  • Hardware and Training Setup:

    • Trained on 2 million document pairs.
    • Parallel distributed training over 4x Nvidia A100 80GB GPUs.
    • Learning rate: 5e-5 (initial phase), 5e-6 (later phases).
    • Warm-up ratios: 0.1 initially, 0.01 for subsequent phases.

Evaluation Results

📊 Leveraged Models

Model#Lang#ParamBase ModelMax. TokenEmbed. SizeLatency
Jina Emb.100572MXLM RoBERTa819210240.48s
E5 Ins.100560MXLM RoBERTa51210240.11s
Paraph. MPNET50278MXLM RoBERTa1287680.02s
Distiluse50135MDistilBERT1285120.01s
XLM RoBERTa100560MRoBERTa51210240.11s
LaBSE109471MBERT2567680.02s
Proposed Model1560MXLM RoBERTa51210240.11s
BERTurk1110MBERT5127680.03s
BERT NLI TR1110MBERT5127680.01s
Turkish ColBERT1111MBERT5127680.04s

📊 Leveraged Datasets

DatasetSample SizeNLP Task
MSMARCO-TR1MQuestion Answering
Wiki-RAG TR6000RAG
Neural Bridge TR12000RAG
Turkish Historic Question15500Question Answering
Google XQuAD – TR1200Question Answering
SQuAD-TR61300Question Answering

📊 Retrieval Performance Comparison with Turkish Models

Dataset (Sample Size)RetrievalPrecisionRecall
WikiRAG TR (6000)BERTurk0.17650.1764
BERT Base NLI TR0.21490.2145
Proposed Model0.25800.2577
ColBERT0.18070.1805
Neural Bridge TR (9600)BERTurk0.46260.4626
BERT Base NLI TR0.60140.6014
Proposed Model0.82860.8286
ColBERT0.58480.5848
TR Historic Question (15.5k)BERTurk0.43840.4384
BERT Base NLI TR0.51210.5121
Proposed Model0.58730.5873
ColBERT0.46560.4656
Google XQuAD TR (1.2k)BERTurk0.63870.6387
BERT Base NLI TR0.71090.7109
Proposed Model0.78070.7807
ColBERT0.73610.7361
SQuAD-TR (5000)BERTurk0.28340.2834
BERT Base NLI TR0.33020.3302
Proposed Model0.41400.4140
ColBERT0.33340.3334

image/png

📊 Table 7: Retrieval Performance Comparison with Multilingual Models

Dataset (Sample Size)RetrievalPrecisionRecall
MSMARCO TR (2000)XLM RoBERTa0.03800.0380
E5 Instruct0.15310.1526
Jina Embedding0.16180.1618
Proposed Model0.17220.1722
WikiRAG TR (6000)E5 Instruct0.28140.2812
Jina Embedding0.26940.2692
Proposed Model0.25800.2577
Paraphrase MPNET0.23800.2377
Distiluse Base0.21250.2124
LaBSE0.19940.1990
XLM RoBERTa0.15440.1542
Neural Bridge TR (9600)E5 Instruct0.80850.8085
Jina Embedding0.79690.7969
Proposed Model0.82860.8286
Paraphrase MPNET0.69030.6903
Distiluse Base0.61790.6179
LaBSE0.65930.6593
XLM RoBERTa0.45180.4518
TR Historic Question (15.5k)E5 Instruct0.63440.6344
Jina Embedding0.61880.6188
Proposed Model0.58730.5873
Paraphrase MPNET0.47390.4739
Distiluse Base0.47070.4707
LaBSE0.46670.4667
XLM RoBERTa0.36390.3639
Google XQuAD TR (1.2k)E5 Instruct0.84370.8437
Jina Embedding0.81600.8160
Proposed Model0.78070.7807
Paraphrase MPNET0.75710.7571
Distiluse Base0.72770.7277
LaBSE0.75380.7538
XLM RoBERTa0.39750.3975
SQuAD-TR (5000)E5 Instruct0.50820.5082
Jina Embedding0.47060.4706
Proposed Model0.41400.4140
Paraphrase MPNET0.38200.3820
Distiluse Base0.36200.3620
LaBSE0.35940.3594
XLM RoBERTa0.20780.2078

image/png

image/png


Intended Use

  • Semantic Search
  • Retrieval-Augmented Generation (RAG) Systems
  • Zero-shot Retrieval
  • Turkish NLP Research and Applications

Sample Usage

from sentence_transformers import SentenceTransformer

# Load the model
device = "cuda"  # or "cpu"
model = SentenceTransformer("eneSadi/turkuaz-embeddings", device=device)

# Encode sentences
sentences = ["Ben bir ceviz ağacıyım Gülhane parkında.", "Herkes gömlek giyerken, Ahmet ceket giyerdi."]
embeddings = model.encode(sentences)

print(embeddings.shape)  # (2, 1024)

Keywords

Embedding Models, Information Retrieval, Semantic Search, Retrieval-Augmented Generation (RAG), Turkish NLP


Citation

If you use Turkuaz-Embeddings in your work, please consider citing it appropriately (citation format to be provided later).


License

Apache 2.0


Acknowledgements

This work leveraged the MSMARCO-TR dataset and builds upon the Sentence Transformers library and Jina Reranker v2 model.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
XLMRobertaModel
Ревизия весов
8999a58

0 моделей