/ Модель

Характеристики

Контекст
512 токенов
Параметры
15,4 млн
Лицензия
Apache 2.0
Архитектура
bert · dense
Библиотека
sentence-transformers
Опубликована
16 апр 2026

me5s-me5s_compressed_v3_distilled

ЭмбеддингиТекст → embedding

Компактный многоязычный энкодер предложений для получения эмбеддингов и поиска семантически близких текстов.

103скачиваний за 30 дней0лайковвеса обновлены17 апр 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

me5s-me5s_compressed_v3_distilled — компактный многоязычный энкодер предложений на базе BERT, созданный сжатием и дистилляцией модели intfloat/multilingual-e5-small. Модель разработана для построения векторных представлений предложений и оценки их семантического сходства; в README также приведены результаты классификации и кластеризации на наборах MTEB.

В модели 15,4 млн параметров, 4 слоя, размерность скрытого представления 384 и контекст до 512 токенов. Сжатие выполнено удалением слоёв и частей словаря, затем проведена дистилляция на многоязычных данных. Токенизатор с byte fallback поддерживает ввод Unicode без неизвестных токенов. Заявлена поддержка 16 языков, включая русский, английский, китайский, японский и корейский. Модель распространяется по лицензии Apache-2.0.

Подходит для поиска семантически близких предложений, многоязычного сопоставления текстов, кластеризации и классификации на основе эмбеддингов. В README приведены оценки MTEB, но они зависят от задачи и языка; максимальная длина входа ограничена 512 токенами.

Сценарии применения

  • поиск предложений с похожим смыслом
  • многоязычный семантический поиск
  • сопоставление переводов и параллельных предложений
  • кластеризация текстов по смыслу
  • классификация текстов на основе эмбеддингов

Ограничения

Максимальная длина контекста составляет 512 токенов. Качество различается между задачами и языками; приведённые в README оценки MTEB не гарантируют аналогичных результатов на пользовательских данных.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

me5s_compressed_v3_distilled (Distilled)

Compact multilingual sentence encoder compressed from intfloat/multilingual-e5-small (9x compression).

Model Details

PropertyValue
Base modelintfloat/multilingual-e5-small
Architecturebert (encoder)
Hidden dim384 (from 384)
Layers4 (from 12)
Intermediate1536
Attention heads12
Vocab size15,424 (from 250,037)
Parameters~13.2M
Model size (FP32)51.0MB
Compression9x
DistilledYes

Quick Start

from sentence_transformers import SentenceTransformer

model = SentenceTransformer("me5s_compressed_v3_distilled", trust_remote_code=True)

sentences = [
    "Hello, how are you?",
    "안녕하세요, 잘 지내세요?",
    "こんにちは、元気ですか?",
    "你好,你好吗?",
]

embeddings = model.encode(sentences)
print(embeddings.shape)  # (4, 384)

MTEB Evaluation Results

Overall Average: 54.35%

Task GroupAverage
Classification58.21%
Clustering30.92%
STS70.01%

Classification

TaskAverageDetails
AmazonCounterfactualClassification68.96%de: 72.24%, en-ext: 71.78%, en: 70.88%, ja: 60.94%
Banking77Classification67.0%default: 67.0%
ImdbClassification60.0%default: 60.0%
MTOPDomainClassification81.87%en: 86.66%, es: 84.13%, hi: 81.63%, th: 80.64%, de: 79.96%
MassiveIntentClassification33.14%en: 60.73%, ja: 56.7%, zh-CN: 55.96%, pt: 55.5%, it: 54.43%
MassiveScenarioClassification40.53%en: 67.02%, zh-CN: 65.25%, ja: 64.48%, de: 62.75%, ko: 62.43%
ToxicConversationsClassification54.24%default: 54.24%
TweetSentimentExtractionClassification59.93%default: 59.93%

Clustering

TaskAverageDetails
ArXivHierarchicalClusteringP2P49.09%default: 49.09%
ArXivHierarchicalClusteringS2S45.73%default: 45.73%
BiorxivClusteringP2P.v219.77%default: 19.77%
MedrxivClusteringP2P.v224.87%default: 24.87%
MedrxivClusteringS2S.v221.53%default: 21.53%
StackExchangeClustering.v239.58%default: 39.58%
StackExchangeClusteringP2P.v231.91%default: 31.91%
TwentyNewsgroupsClustering.v214.86%default: 14.86%

STS

TaskAverageDetails
BIOSSES72.19%default: 72.19%
SICK-R74.61%default: 74.61%
STS1273.56%default: 73.56%
STS1373.22%default: 73.22%
STS1473.27%default: 73.27%
STS1582.2%default: 82.2%
STS1758.93%en-en: 84.37%, es-es: 79.99%, ko-ko: 71.8%, ar-ar: 67.21%, fr-en: 64.15%
STS22.v245.36%fr: 67.64%, es: 64.13%, es-en: 61.91%, en: 60.63%, it: 60.07%
STSBenchmark77.67%default: 77.67%
STSBenchmarkMultilingualSTS69.05%en: 77.67%, es: 73.78%, fr: 73.75%, pt: 71.23%, it: 70.45%

Training

Stage 1: Model Compression

  • Teacher: intfloat/multilingual-e5-small (12L, 384d)
  • Compression: Layer pruning + Vocab pruning
  • Result: 4L / 384d / 15,424 vocab

Stage 2: Knowledge Distillation

  • Method: MSE + Cosine Similarity loss
  • Data: 19.88M multilingual sentences (MTEB tasks + conversation corpus)
  • Optimizer: AdamW (lr=2e-5, weight_decay=0.01)
  • Schedule: Cosine annealing over 13 epochs
  • Batch size: 512
  • Best loss: 0.0093

Key Feature: Byte Fallback Tokenizer

  • Unigram tokenizer with byte_fallback=true
  • 256 UTF-8 byte tokens (<0x00>~<0xFF>) added to vocab
  • Guarantees zero <unk> tokens for any Unicode input
  • Significantly improves multilingual STS performance (+15%p on STS17 vs non-byte-fallback version)

UMAP Visualization

16 languages x 50 parallel sentences from MASSIVE dataset. Ideal: same-meaning sentences cluster together across languages.

UMAP Visualization

  • Top row (colored by language): Colors are mixed = language-agnostic semantic space
  • Bottom row (colored by sentence ID): Tight clusters = parallel sentences cluster across languages

Supported Languages (16)

ko, en, ja, zh, es, fr, de, pt, it, ru, ar, hi, th, vi, id, pl

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
BertModel
Ревизия весов
c9d603c

0 моделей