/ Модель

Характеристики

Контекст
1 000 000 токенов
Лицензия
MIT
Архитектура
model2vec · dense
Базовая модель
bge-m3
Библиотека
model2vec
Опубликована
25 июн 2026

m2v-bge-m3-ptbr-en

Сходство предложенийТекст → score6 профессий

Компактная модель статических эмбеддингов для быстрого семантического поиска по португальскому и английскому тексту и коду.

24скачиваний за 30 дней0лайковвеса обновлены25 июн 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

m2v-bge-m3-ptbr-en — компактная модель статических текстовых эмбеддингов на базе Model2Vec, созданная Гильерме Мирандой дистилляцией BAAI/bge-m3. Она предназначена для быстрого локального семантического поиска по тексту и коду, в том числе поиска по многословным идентификаторам и кросс-языковых запросов на португальском и английском языках.

Модель использует словарь из 185 417 подслов латинского письма, включает португальские диакритические знаки и формируется с помощью PCA и взвешивания SIF. При инференсе она усредняет статические векторы токенов без прямого прохода трансформера, что делает её быстрой на CPU. По данным README, в слепых тестах поиска она сопоставима с potion-multilingual-128M для португальского и английского при меньшем размере.

Модель распространяется по лицензии MIT. Удаление токенов нелатинских письменностей ограничивает её применение: кириллица, арабское письмо и CJK не поддерживаются как целевые языки; модель рассчитана прежде всего на португальский (pt-BR) и английский.

Сценарии применения

  • семантический поиск по исходному коду на английском и португальском
  • поиск по многословным идентификаторам кода
  • кросс-языковой поиск между запросами на португальском и английском
  • локальный поиск по текстовым документам на CPU

Ограничения

Словарь ограничен токенами латинского письма, поэтому модель не предназначена для текста на кириллице, арабском письме и языках с письменностями CJK. Она оптимизирована для португальского (pt-BR) и английского, а не для широкого многоязычного поиска.

Для каких профессий подходит6

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

m2v-bge-m3-ptbr-en

A compact Portuguese + English Model2Vec static embedding model, distilled from BAAI/bge-m3.

It keeps essentially the retrieval quality of bge-m3 for Portuguese (pt-BR) and English (including code identifiers) while being ~10x smaller than the multilingual static model, by dropping non-Latin-script tokens from the vocabulary. Built for fast local semantic code/text search — e.g. as a drop-in model for semble.

Why this exists

The only ready-made multilingual Model2Vec model (potion-multilingual-128M) is ~1 GB because it carries the vocabulary of 100+ languages. For a project that only needs English + Portuguese, most of that is dead weight. This model removes non-Latin scripts (CJK, Cyrillic, Arabic, etc.) while preserving Latin letters, Portuguese accents and subword tokens — so multi-word code identifiers still work.

Details

Teacher / sourceBAAI/bge-m3 (MIT)
MethodModel2Vec distillation, non-Latin scripts removed, PCA, float16
Vocabulary185,417 Latin-script subword tokens
Dimensions256
Size on disk~97 MB
LanguagesPortuguese (pt-BR), English
Good forcode search, retrieval, semantic similarity on pt/en text

In blind retrieval queries it matched potion-multilingual-128M (1 GB) at a fraction of the size, including correctly handling Portuguese homonyms that the English-only code model got wrong.

Usage

With Model2Vec

from model2vec import StaticModel

model = StaticModel.from_pretrained("guilherme-miranda/m2v-bge-m3-ptbr-en")
embeddings = model.encode(["autenticação de usuário", "user authentication controller"])

With semble (fast code search)

Point semble at this model via an environment variable:

export SEMBLE_MODEL_NAME="guilherme-miranda/m2v-bge-m3-ptbr-en"
semble search "rate limiting middleware" ./my-project

How Model2Vec works

It passes a vocabulary through a Sentence Transformer, reduces dimensionality with PCA, and applies SIF weighting. At inference it averages the static token embeddings in a sentence — no transformer forward pass — making it orders of magnitude faster on CPU.

Credits

  • Teacher model: BAAI/bge-m3
  • Distillation toolkit: Model2Vec by Minish Lab (Stephan Tulkens & Thomas van Dongen)

Citation

@software{minishlab2024model2vec,
  author       = {Stephan Tulkens and {van Dongen}, Thomas},
  title        = {Model2Vec: Fast State-of-the-Art Static Embeddings},
  year         = {2024},
  publisher    = {Zenodo},
  doi          = {10.5281/zenodo.17270888},
  url          = {https://github.com/MinishLab/model2vec},
  license      = {MIT}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · model2vec

Нельзя запустить

Архитектура model2vec неизвестна transformers в образе рантайма.

Класс архитектуры
StaticModel
Ревизия весов
9312b00

0 моделей