/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
embedding_gemma2 · dense
Базовая модель
embeddinggemma-2
Библиотека
sentence-transformers
Опубликована
8 окт 2026

bharat-embed-270m-gemma2

ЭмбеддингиТекст → embedding

Текстовая модель эмбеддингов Eulogik на базе EmbeddingGemma-2 для поиска и RAG на хинди и хинглише.

105скачиваний за 30 дней0лайковвеса обновлены9 окт 2026

Бенчмарки

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

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

Bharat-Embed 270M — дообученная Eulogik текстовая модель эмбеддингов на основе Google EmbeddingGemma-2 с 270 млн параметров. Она предназначена прежде всего для поиска по смыслу и retrieval-компонента RAG на хинди и хинглише. Модель обучена с помощью LoRA на парах и триплетах для retrieval, включая синтетические примеры на хинди и хинглише, данные Banking77, юридические примеры и сложные отрицательные примеры. Поддерживает создание эмбеддингов размерностью до 768 и усечение до меньших размерностей; для сопоставимых запросов и документов нужно использовать одну размерность и нормализовать векторы после усечения. Доступны форматы Safetensors и ONNX, включая вариант ONNX INT8; лицензия Apache-2.0.

В измерениях автора на Hindi IndicQA модель немного превзошла базовую EmbeddingGemma-2 при размерности 768, но преимущество было небольшим и не достигло заявленного порога улучшения; на межъязыковой оценке STS результат был практически равным базовой модели. Модель текстовая и не принимает изображения, аудио или видео. Она обучалась на контексте 256 токенов; поведение на длинных документах не измерено. Оценки ранжируют результаты, но не являются калиброванными вероятностями релевантности.

Сценарии применения

  • поиск по смыслу в документах на хинди
  • поиск по смешанным запросам на хинди и английском
  • создание векторного индекса для RAG на хинди
  • сопоставление коротких текстов на хинди и хинглише
  • поиск по юридическим документам на хинди

Ограничения

Модель текстовая, ориентирована прежде всего на хинди и хинглиш; качество для тамильского и телугу не измерялось. Она обучалась на последовательностях до 256 токенов, поведение на длинных документах не проверено, а оценки релевантности не калиброваны.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Bharat-Embed 270M

License: Apache 2.0 Parameters 270M Hindi NDCG 0.7324 ONNX parity ok Built by Eulogik

Bharat-Embed overview

Direct answer

Bharat-Embed 270M is a 270M text only EmbeddingGemma-2 fork for Hinglish and Hindi retrieval RAG. It loads without vision or audio, runs on CPU and ONNX INT8, truncates to 128d, and is Apache-2.0. Pair it with eulogik/flashrank-pro-base as reranker. Built by Eulogik.

Find with: embeddinggemma2 hindi hinglish indic rag on-device onnx gguf qdrant mrl apache 2.0.

Measured numbers

All numbers below were measured on a Mac mini M4, 2026-10-08/09. No estimates.

CheckBase text onlyBharat-EmbedDelta
Hindi IndicQA NDCG@10, 768d0.72790.7324+0.0045
Hindi cross lingual STS spearman0.64300.6423-0.0007 (tie)
Train loss start to end0.5860.236learned
Torch vs ONNX INT8 mean drift-0.0066under 1e-2 gate
Reload checkMISSING keysclean, 168 adapters mergedfixed

Note: the mteb runs use the default mteb encoding path, same both sides. The +0.03 stretch gate was not met. This card reports the miss plainly. v1.1 retrains on diverse real Hindi.

Truncation chart

Truncation cost on Hindi retrieval (measured NDCG@10)

DimsScorevs 768d
7680.7324-
5120.7247-0.008
2560.7023-0.030
1280.6294-0.103

Plain read: 512d is near lossless. 256d costs 0.03. 128d costs 0.10 on Hindi, steeper than the base card multilingual average. Pick 512 for quality, 256 for the cost balance. 128d only for tight budgets with eyes open.

How it was built

Architecture

FactValue
Basegoogle/embeddinggemma-2, text only (vision_config None, audio_config None)
MethodLoRA r16 on attention plus MLP, merged to clean keys
Data40k frozen triplets (15k Hinglish synth, 5k Banking77, 10k legal synth, 10k near-miss hard), SHA pinned
Train3 epochs, batch 8, len 256, AdamW 2e-5, fp32, Mac mini M4
License noteFLORES eval only (CC-BY-SA). MS MARCO excluded (non-commercial terms). Train pack is Banking77 plus ours.

Quickstart

from sentence_transformers import SentenceTransformer

model = SentenceTransformer(
    "eulogik/bharat-embed-270m-gemma2",
    config_kwargs={"vision_config": None, "audio_config": None},
    model_kwargs={"torch_dtype": "bfloat16"},
)
q = model.encode("GST refund kaise claim karein?", prompt_name="SearchQuery",
                 truncate_dim=256, normalize_embeddings=True)
d = model.encode("title: GST refund | text: apply through portal with invoice proof",
                 truncate_dim=256, normalize_embeddings=True)
print(model.similarity(q, d))

Rules: queries and docs share one dim. Always normalize after truncate. fp16 never (base warns NaN).

ONNX serve

pip install onnxruntime qdrant-client
python scripts/encode_onnx.py --model onnx/int8 --queries queries.txt --truncate 256

Limits

  • Text only. No image, video, or audio.
  • Hindi and Hinglish first. Tamil and Telugu unmeasured.
  • Trained at 256 tokens. Long doc behavior unmeasured.
  • Scores rank, they do not calibrate. Pair with a reranker for decisions.

Eulogik family

Keywords

embeddinggemma2 hindi embedding, hinglish embedding, indic rag embedding, on-device embedding, onnx embedding, gguf embedding ollama, qdrant hindi search, mrl matryoshka embedding, uae law embedding, difc rag

Как запустить

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

GPU в ailist

Универсальный рантайм · sentence-transformers

Нельзя запустить

Архитектура embedding_gemma2 неизвестна transformers в образе рантайма.

Класс архитектуры
EmbeddingGemma2Model
Ревизия весов
88c165e

0 моделей