/ Модель

Характеристики

Контекст
514 токенов
Параметры
305 млн
Лицензия
Apache 2.0
Архитектура
xlm-roberta · dense
Библиотека
transformers
Опубликована
4 дек 2024

granite-embedding-278m-multilingual

Сходство предложенийТекст → score10 профессий

Многоязычная энкодерная модель IBM для создания текстовых эмбеддингов, семантического поиска, извлечения документов и сравнения текстов.

64 010скачиваний за 30 дней86лайковвеса обновлены19 авг 2025

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 оценки33

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

  • RedditClusteringP2P

    main_score

    Результат

    0,5499

    MTEB

    Публичная таблицадругая ревизия

  • SICK-NL-STS

    main_score

    Результат

    0,651

    MTEB

    Публичная таблицадругая ревизия

  • PawsXPairClassification

    main_score

    Результат

    0,5515

    MTEB

    Публичная таблицадругая ревизия

  • Tatoeba

    main_score

    Результат

    0,5761

    Общий результат 0,2974
    MTEB

    Публичная таблицадругая ревизия

  • MassiveScenarioClassification

    main_score

    Результат

    0,6607

    Общий результат 0,6692Общий результат 0,6217Общий результат 0,5825
    MTEB

    Публичная таблицадругая ревизия

  • XQuADRetrieval

    main_score

    Результат

    0,9374

    MTEB

    Публичная таблицадругая ревизия

  • OpenTenderRetrieval

    main_score

    Результат

    0,4078

    MTEB

    Публичная таблицадругая ревизия

  • SIB200ClusteringS2S

    main_score

    Результат

    0,2834

    Общий результат 0,3266Общий результат 0,2695Общий результат 0,1937
    MTEB

    Публичная таблицадругая ревизия

  • WikipediaRerankingMultilingual

    main_score

    Результат

    0,8592

    Общий результат 0,8562
    MTEB

    Публичная таблицадругая ревизия

  • WinoGrande

    main_score

    Результат

    0,6038

    MTEB

    Публичная таблицадругая ревизия

  • Banking77Classification

    main_score

    Результат

    0,7806

    MTEB

    Публичная таблицадругая ревизия

  • MultiEURLEXMultilabelClassification

    main_score

    Результат

    0,0378

    Общий результат 0,0363
    MTEB

    Публичная таблицадругая ревизия

  • MLQARetrieval

    main_score

    Результат

    0,7671

    Общий результат 0,4559
    MTEB

    Публичная таблицадругая ревизия

  • MassiveIntentClassification

    main_score

    Результат

    0,4306

    Общий результат 0,5898Общий результат 0,524Общий результат 0,4023
    MTEB

    Публичная таблицадругая ревизия

  • ProceduralMemBench

    main_score

    Результат

    0,5529

    MTEB

    Публичная таблицадругая ревизия

  • MemBench

    main_score

    Результат

    0,839

    MTEB

    Публичная таблицадругая ревизия

  • MasakhaNEWSClassification

    main_score

    Результат

    0,6822

    MTEB

    Публичная таблицадругая ревизия

  • IndicGenBenchFloresBitextMining

    main_score

    Результат

    0,9064

    Общий результат 0,9732
    MTEB

    Публичная таблицадругая ревизия

  • VGHierarchicalClusteringS2S

    main_score

    Результат

    0,3381

    MTEB

    Публичная таблицадругая ревизия

  • EPBench

    main_score

    Результат

    0,6671

    Общий результат 0,8091
    MTEB

    Публичная таблицадругая ревизия

  • STS22

    main_score

    Результат

    0,5586

    MTEB

    Публичная таблицадругая ревизия

  • CataloniaTweetClassification

    main_score

    Результат

    0,4709

    MTEB

    Публичная таблицадругая ревизия

  • WikipediaRetrievalMultilingual

    main_score

    Результат

    0,8632

    Общий результат 0,8303
    MTEB

    Публичная таблицадругая ревизия

  • LongMemEval

    main_score

    Результат

    0,6924

    MTEB

    Публичная таблицадругая ревизия

  • LoCoMo

    main_score

    Результат

    0,2502

    MTEB

    Публичная таблицадругая ревизия

  • NovelQA

    main_score

    Результат

    0,4245

    MTEB

    Публичная таблицадругая ревизия

  • NusaParagraphEmotionClassification

    main_score

    Результат

    0,419

    MTEB

    Публичная таблицадругая ревизия

  • MIRACLRetrieval

    main_score

    Результат

    0,4723

    MTEB

    Публичная таблицадругая ревизия

  • MemGovern

    main_score

    Результат

    0,8336

    MTEB

    Публичная таблицадругая ревизия

  • NusaX-senti

    main_score

    Результат

    0,5815

    MTEB

    Публичная таблицадругая ревизия

  • ReMe

    main_score

    Результат

    0,5746

    MTEB

    Публичная таблицадругая ревизия

  • TenKGnadClusteringS2S

    main_score

    Результат

    0,2935

    MTEB

    Публичная таблицадругая ревизия

  • TMD

    main_score

    Результат

    0,2354

    MTEB

    Публичная таблицадругая ревизия

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Granite-Embedding-278M-Multilingual — модель для получения векторных представлений текста из линейки Granite Embeddings, разработанная командой Granite Embedding Team компании IBM. Она предназначена для поиска, извлечения документов и сравнения смысловой близости текстов. Модель основана на энкодерной архитектуре XLM-RoBERTa, содержит около 305 млн параметров по метаданным и формирует эмбеддинги размерности 768. Контекст ограничен 514 токенами по метаданным; README указывает ограничение в 512 токенов, после которого длинные тексты обрезаются.

Модель обучалась с помощью контрастивного дообучения, дистилляции знаний и слияния моделей. Она поддерживает английский, арабский, чешский, немецкий, испанский, французский, итальянский, японский, корейский, нидерландский, португальский и китайский языки. Для русского и других языков вне этого списка README допускает дополнительное дообучение, но не заявляет их как штатно поддерживаемые. Лицензия Apache 2.0.

Сценарии применения

  • семантический поиск по многоязычной коллекции документов
  • поиск релевантных документов для RAG-системы
  • сравнение смысловой близости запросов и текстов
  • поиск похожих предложений на поддерживаемых языках

Ограничения

Контекст ограничен примерно 512 токенами, поэтому более длинные тексты обрезаются. Русский язык не входит в заявленный список поддерживаемых языков.

Для каких профессий подходит10

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

Granite-Embedding-278m-multilingual

Model Summary: Granite-Embedding-278M-Multilingual is a 278M parameter model from the Granite Embeddings suite that can be used to generate high quality text embeddings. This model produces embedding vectors of size 768 and is trained using a combination of open source relevance-pair datasets with permissive, enterprise-friendly license, and IBM collected and generated datasets. This model is developed using contrastive finetuning, knowledge distillation and model merging for improved performance.

Supported Languages: English, German, Spanish, French, Japanese, Portuguese, Arabic, Czech, Italian, Korean, Dutch, and Chinese. Users may finetune Granite-Embedding-278M-Multilingual for languages beyond these 12 languages.

Intended use: The model is designed to produce fixed length vector representations for a given text, which can be used for text similarity, retrieval, and search applications.

Usage with Sentence Transformers: The model is compatible with SentenceTransformer library and is very easy to use:

First, install the sentence transformers library

pip install sentence_transformers

The model can then be used to encode pairs of text and find the similarity between their representations

from sentence_transformers import SentenceTransformer, util

model_path = "ibm-granite/granite-embedding-278m-multilingual"
# Load the Sentence Transformer model
model = SentenceTransformer(model_path)

input_queries = [
    ' Who made the song My achy breaky heart? ',
    'summit define'
    ]

input_passages = [
    "Achy Breaky Heart is a country song written by Don Von Tress. Originally titled Don't Tell My Heart and performed by The Marcy Brothers in 1991. ",
    "Definition of summit for English Language Learners. : 1 the highest point of a mountain : the top of a mountain. : 2 the highest level. : 3 a meeting or series of meetings between the leaders of two or more governments."
    ]

# encode queries and passages
query_embeddings = model.encode(input_queries)
passage_embeddings = model.encode(input_passages)

# calculate cosine similarity
print(util.cos_sim(query_embeddings, passage_embeddings))

Usage with Huggingface Transformers: This is a simple example of how to use the Granite-Embedding-278m-Multilingual model with the Transformers library and PyTorch.

First, install the required libraries

pip install transformers torch

The model can then be used to encode pairs of text

import torch
from transformers import AutoModel, AutoTokenizer

model_path = "ibm-granite/granite-embedding-278m-multilingual"

# Load the model and tokenizer
model = AutoModel.from_pretrained(model_path)
tokenizer = AutoTokenizer.from_pretrained(model_path)
model.eval()

input_queries = [
    ' Who made the song My achy breaky heart? ',
    'summit define'
    ]

# tokenize inputs
tokenized_queries = tokenizer(input_queries, padding=True, truncation=True, return_tensors='pt')

# encode queries
with torch.no_grad():
    # Queries
    model_output = model(**tokenized_queries)
    # Perform pooling. granite-embedding-278m-multilingual uses CLS Pooling
    query_embeddings = model_output[0][:, 0]

# normalize the embeddings
query_embeddings = torch.nn.functional.normalize(query_embeddings, dim=1)

Evaluation: The average performance of the Granite-Embedding-278M-Multilingual on Multilingual Miracl (across 18 langauges), Mintaka Retrieval (across 8 languages) and MTEB Retrieval for English (across 15 tasks), German (across 4 tasks), Spanish (across 2 tasks), Frenc (across 5 tasks), Japanese (across 2 tasks), Arabic (1 task), Korean (1 task) and Chinese (across 8 tasks) is reported below.

ModelParamters (M)Embedding DimensionMiracl (18)Mintaka Retrieval (8)MTEB English (15)MTEB German (4)MTEB Spanish (2)MTEB French (5)MTEB Japanese (2)MTEB Arabic (1)MTEB Korean (1)MTEB Chinese (8)
granite-embedding-278M-multilingual27876858.323.248.271.252.654.161.764.271.845.2

Model Architecture: Granite-Embedding-278m-Multilingual is based on an encoder-only XLM-RoBERTa like transformer architecture, trained internally at IBM Research.

Modelgranite-embedding-30m-englishgranite-embedding-125m-englishgranite-embedding-107M-multilingualgranite-embedding-278m-multilingual
Embedding size384768384768
Number of layers612612
Number of attention heads12121212
Intermediate size1536307215363072
Activation FunctionGeLUGeLUGeLUGeLU
Vocabulary Size5026550265250002250002
Max. Sequence Length512512512512
# Parameters30M125M107M278M

Training Data: Overall, the training data consists of four key sources: (1) unsupervised title-body paired data scraped from the web, (2) publicly available paired with permissive, enterprise-friendly license, (3) IBM-internal paired data targetting specific technical domains, and (4) IBM-generated synthetic data. The data is listed below:

DatasetNum. Pairs
Multilingual MC452,823,484
Multilingual Webhose12,369,322
English Wikipedia20,745,403
Multilingual Wikimedia2,911,090
Miracl Corpus (Title-Body)10,120,398
Stack Exchange Duplicate questions (titles)304,525
Stack Exchange Duplicate questions (titles)304,525
Stack Exchange Duplicate questions (bodies)250,519
Machine Translations of Stack Exchange Duplicate questions (titles)187,195
Stack Exchange (Title, Answer) pairs4,067,139
Stack Exchange (Title, Body) pairs23,978,013
Stack Exchange (Title, Body) pairs23,978,013
Machine Translations of Stack Exchange (Title+Body, Answer) pairs1,827,15
SearchQA582,261
S2ORC (Title, Abstract)41,769,185
WikiAnswers Duplicate question pairs77,427,422
CCNews614,664
XSum226,711
SimpleWiki102,225
Machine Translated Cross Lingual Parallel Corpora28,376,115
SPECTER citation triplets684,100
Machine Translations of SPECTER citation triplets4,104,600
Natural Questions (NQ)100,231
SQuAD2.087,599
HotpotQA85,000
Fever109,810
PubMed20,000,000
Multilingual Miracl Triples81,409
Multilingual MrTydi Triples48,715
Sadeeem Question Asnwering4,037
DBPedia Title-Body Pairs4,635,922
Synthetic: English Query-Wikipedia Passage1,879,093
Synthetic: English Fact Verification9,888
Synthetic: Multilingual Query-Wikipedia Passage300,266
Synthetic: Multilingual News Summaries37,489
IBM Internal Triples40,290
IBM Internal Title-Body Pairs1,524,586

Notably, we do not use the popular MS-MARCO retrieval dataset in our training corpus due to its non-commercial license, while other open-source models train on this dataset due to its high quality.

Infrastructure: We train Granite Embedding Models using IBM's computing cluster, Cognitive Compute Cluster, which is outfitted with NVIDIA A100 80gb GPUs. This cluster provides a scalable and efficient infrastructure for training our models over multiple GPUs.

Ethical Considerations and Limitations: The data used to train the base language model was filtered to remove text containing hate, abuse, and profanity. Granite-Embedding-278m-Multilingual is finetuned on 12 languages, and has a context length of 512 tokens (longer texts will be truncated to this size).

Resources

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
XLMRobertaModel
Ревизия весов
a9cb533

0 моделей