/ Модель

Характеристики

Контекст
8 194 токена
Параметры
659 млн
Лицензия
CC BY-NC 4.0
Архитектура
xlm-roberta · dense
Базовая модель
xlm-roberta-base
Библиотека
sentence-transformers
Опубликована
25 ноя 2025

matryoshka-embedding-v1

ЭмбеддингиТекст → embedding13 профессий

Мультиязычная модель XLM-RoBERTa для семантического поиска и сравнения текстов с настраиваемой размерностью эмбеддингов от 64 до 1024.

106скачиваний за 30 дней3лайкавеса обновлены25 июн 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

Matryoshka Text Embedding v1 — мультиязычная модель эмбеддингов текста на базе энкодера XLM-RoBERTa, дообученная с применением Matryoshka Representation Learning. Она преобразует тексты в векторы для семантического поиска, сравнения предложений и извлечения документов; поддерживает семь размерностей эмбеддинга от 64 до 1024, что позволяет выбирать компромисс между качеством, скоростью и объёмом хранения. Максимальная длина последовательности — 8194 токена по метаданным модели; README указывает 8192 токена.

Модель предназначена для поиска по научной литературе, правовым и медицинским документам, веб-страницам и каталогам товаров, а также для рекомендаций и индексации больших коллекций. В карточке заявлена поддержка более 100 языков; метаданные отдельно перечисляют английский, арабский, немецкий, испанский, французский, китайский, русский, турецкий, корейский, японский, итальянский, португальский и нидерландский. Метаданные указывают 658,7 млн параметров, тогда как README приводит около 568 млн.

Модель выпущена hasankursun и дообучена на FacebookAI/xlm-roberta-base. Для лучшего соответствия исходному качеству используют полную размерность или крупные векторы; усечение уменьшает требования к хранению и вычислениям, но может снизить качество. Лицензия CC-BY-NC-4.0 разрешает использование с обязательной атрибуцией и ограничивает коммерческое применение.

Сценарии применения

  • семантический поиск научных публикаций
  • поиск правовых и медицинских документов
  • поиск товаров по смыслу в каталоге
  • сравнение сходства предложений на разных языках
  • индексация большой коллекции документов
  • подбор рекомендаций по содержанию

Ограничения

Уменьшение размерности вектора может ухудшать качество поиска и сравнения. Лицензия CC-BY-NC-4.0 ограничивает коммерческое использование.

Для каких профессий подходит13

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

Matryoshka Text Embedding v1

A multilingual text embedding model with Matryoshka Representation Learning, allowing flexible embedding dimensions from 64D to 1024D.

Model Overview

This model implements Matryoshka Representation Learning, enabling you to truncate embeddings to different dimensions while maintaining good performance. This allows you to balance accuracy, speed, and storage based on your specific needs.

Key Features

  • Flexible Dimensions: Choose from 7 different embedding sizes (64D, 128D, 256D, 384D, 512D, 768D, 1024D)
  • Multilingual Support: Trained on 100+ languages
  • Base Architecture: XLM-RoBERTa
  • Max Sequence Length: 8192 tokens

Quick Start

Installation

pip install sentence-transformers

Basic Usage

from sentence_transformers import SentenceTransformer

# Load model
model = SentenceTransformer('hasankursun/matryoshka-text-embedding-v1')

# Full precision (1024D)
embeddings = model.encode(["Your text here"])

# Balanced mode (512D) - Recommended for most use cases
embeddings = model.encode(["Your text here"], truncate_dim=512)

# Fast mode (256D) - For high-throughput applications
embeddings = model.encode(["Your text here"], truncate_dim=256)

# Ultra-fast mode (128D) - For real-time applications
embeddings = model.encode(["Your text here"], truncate_dim=128)

Performance Benchmarks

SciFact (Scientific Document Retrieval)

DimensionNDCG@10Relative Performance
1024D0.6308100.0%
768D0.627799.5%
512D0.611496.9%
384D0.603595.7%
256D0.561489.0%
128D0.473275.0%
64D0.331752.6%

STSBenchmark (English Semantic Similarity)

  • Spearman: 0.8506 (1024D)
  • Pearson: 0.8381 (1024D)

STS17 (Multilingual Semantic Similarity)

Average Spearman Correlation across languages: 0.8096

Performance by language pair (1024D):

  • Spanish (es-es): 0.8808
  • English (en-en): 0.8740
  • German (en-de): 0.8245
  • Korean (ko-ko): 0.8210
  • French (fr-en): 0.8157
  • Italian (it-en): 0.8152
  • Dutch (nl-en): 0.8190
  • Arabic (ar-ar): 0.8056
  • Turkish (en-tr): 0.7484
  • Spanish-English (es-en): 0.7660
  • English-Arabic (en-ar): 0.7191

Use Cases

High Accuracy Applications (768D-1024D)

  • Scientific literature search
  • Legal document retrieval
  • Medical information systems

Balanced Production (512D) - Recommended

  • General web search
  • E-commerce product search
  • Content recommendation engines
  • Knowledge base retrieval

High-Throughput Systems (256D-384D)

  • Real-time search APIs
  • Large-scale document indexing
  • Social media search

Mobile & Edge Devices (64D-128D)

  • Mobile applications
  • IoT devices
  • Browser-based search
  • Resource-constrained environments

Advanced Usage

Semantic Search

import numpy as np
from sentence_transformers import util

# Index documents with 512D (optimal balance)
documents = [
    "Artificial intelligence is transforming healthcare.",
    "Machine learning models require large datasets.",
    "Quantum computing promises exponential speedups."
]

doc_embeddings = model.encode(documents, truncate_dim=512)

# Search with same dimension
query = "How is AI used in medicine?"
query_embedding = model.encode(query, truncate_dim=512)

# Compute similarities
similarities = util.cos_sim(query_embedding, doc_embeddings)
top_result = np.argmax(similarities)

print(f"Most relevant: {documents[top_result]}")

Integration with FAISS

import faiss
import numpy as np

# Create embeddings with 512D
embeddings = model.encode(documents, truncate_dim=512)
embeddings = embeddings.astype('float32')

# Build FAISS index
dimension = 512
index = faiss.IndexFlatIP(dimension)
faiss.normalize_L2(embeddings)
index.add(embeddings)

# Search
query_embedding = model.encode(query, truncate_dim=512).astype('float32')
faiss.normalize_L2(query_embedding.reshape(1, -1))
distances, indices = index.search(query_embedding.reshape(1, -1), k=10)

Technical Details

Architecture

  • Base: XLM-RoBERTa transformer encoder
  • Embedding Dimensions: 1024 (full) with 7 supported truncation levels
  • Max Sequence Length: 8192 tokens
  • Vocabulary Size: 250,002 tokens
  • Parameters: ~568M

Training

  • Technique: Matryoshka Representation Learning
  • Languages: 100+ languages
  • Max Input Length: 8192 tokens

Model Files

  • pytorch_model.bin - Model weights
  • config.json - Model configuration
  • tokenizer.json - Tokenizer configuration
  • matryoshka_config.json - Matryoshka-specific configuration

License

This model is released under the CC-BY-NC-4.0 (Creative Commons Attribution-NonCommercial 4.0 International) license.

See the LICENSE file for full details and acknowledgments.

Acknowledgments

This model builds upon important foundational work:

  • XLM-RoBERTa: Base architecture for multilingual representations
  • BAAI: For their contributions through RetroMAE and BGE-M3 papers
  • Matryoshka Representation Learning: Training methodology (Kusupati et al., 2022)

Citation

If you use this model in your research or application, please cite:

@misc{matryoshka-text-embedding-v1,
  title={Matryoshka Text Embedding v1},
  author={Hasan Kurşun},
  year={2025},
  url={[https://huggingface.co/hasankursun/matryoshka-text-embedding-v1](https://huggingface.co/hasankursun/matryoshka-text-embedding-v1)}
}

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
XLMRobertaModel
Ревизия весов
e1dd822

0 моделей