/ Модель

Характеристики

Контекст
8 192 токена
Параметры
106 млн
Лицензия
MIT
Архитектура
modernbert · dense
Базовая модель
mmBERT-L4H384-pruned
Библиотека
sentence-transformers
Опубликована
7 июл 2026

bekko-embedding-v1-a8m-pt

ЭмбеддингиТекст → embedding5 профессий

Многоязычный предварительно обученный энкодер эмбеддингов, предназначенный для дообучения под поиск, классификацию или ранжирование.

134скачиваний за 30 дней2лайкавеса обновлены28 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

bekko-embedding-v1-a8m-pt — предварительно обученная плотная модель эмбеддингов от hotchpotch на архитектуре mmBERT в стиле ModernBERT: 4 слоя и размер скрытого представления 384. Она основана на hotchpotch/mmBERT-L4H384-pruned, использует многоязычные текстовые пары, обучение Matryoshka и обучение с учётом квантования; контекст — до 8192 токенов, размер — 106 млн параметров.

Модель предназначена как отправная точка для дополнительного обучения под конкретную задачу: поиск по сходству, классификацию, ранжирование или другой прикладной сценарий, а также для воспроизведения и адаптации конвейера обучения bekko. Она не прошла финальную supervised-настройку для поиска и не предназначена для непосредственного использования как универсальная модель эмбеддингов или поиска. Лицензия — MIT.

Сценарии применения

  • дообучение эмбеддингов для поиска по документам
  • адаптация модели для сравнения сходства предложений
  • дообучение для классификации текстов
  • настройка энкодера для ранжирования текстов
  • сравнение предварительно обученной и дообученной модели в экспериментах

Ограничения

Чекпойнт не прошёл финальную supervised-настройку для поиска: перед применением его необходимо дообучить под целевую задачу. README не рекомендует использовать его напрямую как универсальную модель эмбеддингов или поиска.

Для каких профессий подходит5

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

bekko-embedding-v1-a8m-pt

bekko-embedding-v1-a8m-pt is the pretrained model used as the base for bekko-embedding-v1-a8m. It is a starting point for additional training on a downstream task, not a model intended for direct use.

[!IMPORTANT] Fine-tune this checkpoint for your target task before using it. It has not received the final supervised retrieval fine-tuning and should not be used directly as a general-purpose embedding or retrieval model. For general-purpose retrieval, use bekko-embedding-v1-a8m.

Model Details

ItemValue
Model typePretrained Sentence Transformer dense embedding model
ArchitecturemmBERT (ModernBERT-style) encoder, 4 layers, hidden size 384
Base modelhotchpotch/mmBERT-L4H384-pruned
Original backbonejhu-clsp/mmBERT-small
Active parameters7,671,168
Total parameters105,975,168
Embedding dimension384
Supported truncate dimensions256, 128, 64
Max sequence length8192 tokens
PoolingMean pooling
SimilarityCosine similarity
Query/document prefixesNone

The model was pretrained with multilingual text pairs using Matryoshka representation learning and quantization-aware training. The 4-layer backbone retains layers 0, 1, 2, and 18 from mmBERT-small.

Intended Use

Use this checkpoint as initialization for further training on a specific downstream task. Appropriate uses include:

  • fine-tuning for retrieval, classification, reranking, or another target task,
  • reproducing or adapting the bekko fine-tuning pipeline,
  • pretrain-versus-fine-tuned comparisons and ablation studies.

License

MIT

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
ModernBertModel
Ревизия весов
bc16cde

0 моделей