/ Модель

Характеристики

Контекст
130 токенов
Параметры
41,5 млн
Лицензия
Apache 2.0
Архитектура
roberta · dense
Базовая модель
kurdish-roberta
Библиотека
sentence-transformers
Опубликована
23 июл 2026

kurdish-sentence-embeddings

ЭмбеддингиТекст → embedding8 профессий

Модель кодирует предложения на курдском сорани в векторы для семантического поиска, RAG, кластеризации и оценки сходства.

124скачиваний за 30 дней1лайквеса обновлены26 июл 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

haryads/kurdish-sentence-embeddings — модель векторных представлений предложений на центральнокурдском языке (сорани), разработанная для семантического поиска, поиска фрагментов для RAG, кластеризации и оценки сходства. Она преобразует текст в 512-мерные векторы; используется архитектура RoBERTa с усреднением токенов и L2-нормализацией. Базовая курдская RoBERTa обучена с нуля на корпусе из примерно миллиона предложений, затем модель дообучена контрастивным методом на примерно 22 тысячах пар предложений с трудными отрицательными примерами.

Модель рассчитана на центральнокурдский (сорани, ckb), записанный арабским письмом. Контекст ограничен 130 токенами по метаданным. README приводит результаты на внутреннем курдском бенчмарке и сообщает о превосходстве над мультиязычной MiniLM в поиске и разделении тем; эти показатели относятся к описанным тестам. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0.

По README, обучение преимущественно на новостных текстах ограничивает надёжность на узкоспециализированных и разговорных данных; для них может потребоваться дообучение на профильном корпусе. Для лучших результатов рекомендуется нормализовать варианты арабских и курдских символов, ZWNJ и цифры перед кодированием.

Сценарии применения

  • семантический поиск по курдским текстам сорани
  • подбор фрагментов на сорани для RAG
  • поиск похожих курдских предложений
  • кластеризация текстов на центральнокурдском
  • поиск соответствий между предложением и его лемматизированной формой

Ограничения

Обучение преимущественно на новостных текстах может снижать качество на узкоспециализированных и разговорных данных; для таких сценариев README рекомендует дообучение на профильном корпусе. Перед кодированием рекомендуется нормализовать варианты букв ی и ک, ZWNJ и цифры.

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

Kurdish Sorani Sentence Embedding Model

A Kurdish Sorani sentence embedding model for Central Kurdish (ckb). It maps Kurdish sentences to 512-dimensional vectors for semantic search, retrieval (RAG), clustering and sentence similarity.

Unlike the multilingual models adapted for Kurdish by vocabulary trimming, this model was trained on Kurdish text: a RoBERTa base trained from scratch on a 1-million-sentence Kurdish corpus with a custom 32k Kurdish BPE tokenizer, then fine-tuned with contrastive learning (MultipleNegativesRankingLoss) on ~22k Kurdish sentence pairs with hard negatives.

If you searched for a "Kurdish sentence embedding model", a "Sorani semantic search model", or a "ckb text embedding model" — this is one, and it is trained on Kurdish rather than repurposed from a multilingual model.

Usage

from sentence_transformers import SentenceTransformer

model = SentenceTransformer("haryads/kurdish-sentence-embeddings")

sentences = [
    "کەشوهەوای ئەمڕۆ زۆر باراناوییە",
    "ئەمڕۆ ئاسمان دەگرێت و باران دەبارێت",
    "من حەزم لە خواردنی شۆربای نیسکە",
]
emb = model.encode(sentences)
print(model.similarity(emb, emb))

Evaluation

Measured on an internal Kurdish benchmark: a retrieval task (match a sentence to its lemmatized form among 1,000 candidates) and a topic-separation task (800 triplets). Compared against paraphrase-multilingual-MiniLM-L12-v2 on identical data.

ModelRetrieval R@1MRRTopic accuracy
This model0.9780.9840.931
paraphrase-multilingual-MiniLM-L12-v20.9600.9700.786
RoBERTa base, mean-pooled (no fine-tuning)0.9300.9440.635

The model outperforms the multilingual baseline on Kurdish for both retrieval and topic separation.

Details

  • Output dimension: 512
  • Max sequence length: 128 tokens
  • Pooling: mean, with L2 normalization
  • Base: from-scratch Kurdish RoBERTa + 32k Kurdish BPE tokenizer
  • Fine-tuning: MultipleNegativesRankingLoss on paraphrase, lemma and topic pairs with hard negatives
  • Language: Central Kurdish / Sorani (ckb), Arabic script

Intended use and limits

Best for Kurdish semantic search, retrieval (RAG), clustering and similarity. Sorani only for now. Trained on news-heavy text, so very domain-specific or colloquial input may need in-domain fine-tuning. For best results, normalize input (Arabic vs. Kurdish ی/ک, ZWNJ, digits) before encoding.

License

Apache-2.0.

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
RobertaModel
Ревизия весов
214a0e3

0 моделей