/ Модель

Характеристики

Контекст
8 192 токена
Параметры
305 млн
Лицензия
AGPL 3.0
Архитектура
new · dense
Базовая модель
gte-multilingual-base
Библиотека
sentence-transformers
Опубликована
20 июл 2025

OCR-robust-gte-multilingual-base

ЭмбеддингиТекст → embedding5 профессий

Многоязычная модель эмбеддингов, устойчивая к OCR-шумам в немецких и французских текстах, для семантического поиска и анализа архивных коллекций.

221скачиваний за 30 дней1лайквеса обновлены23 окт 2025

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

OCR-robust-gte-multilingual-base — многоязычная модель эмбеддингов Impresso, полученная дообучением Alibaba-NLP/gte-multilingual-base. Она преобразует предложения и абзацы в плотные векторы размерности 768 и специально адаптирована к шумам OCR в текстах на немецком и французском языках. Модель предназначена для семантического поиска, кластеризации и продольного анализа коллекций библиотек и архивов, особенно в Центральной Европе.

Модель использует архитектуру Sentence Transformers, содержит 305,3 млн параметров и поддерживает контекст до 8192 токенов. Для обучения применялся контрастивный подход с MultipleNegativesRankingLoss и косинусным сходством. Репозиторий распространяется по лицензии AGPL-3.0. В README указано, что результаты оценки модели будут добавлены позднее.

Сценарии применения

  • семантический поиск по отсканированным архивным газетам
  • поиск похожих фрагментов в OCR-текстах на немецком и французском
  • кластеризация текстов из библиотечных коллекций
  • продольный анализ публикаций в медиаархивах

Ограничения

Специальная адаптация к OCR-шумам описана для немецкого и французского языков; результаты оценки именно этой версии в карточке ещё не приведены.

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

OCR-robust-gte-multilingual-base

This is a sentence-transformers model: It maps sentences & paragraphs to a 768 dimensional dense vector space and can be used for tasks like clustering or semantic search.

Model Details

This model that was adapted to be more robust to OCR Noise in German and French. This model would be particularly useful for libraries and archives in Central Europe that want to perform semantic search and longitudinal studies within their collections.

This is an Alibaba-NLP/gte-multilingual-base model that was further adapted by (Michail et al., 2025)

Usage (Sentence-Transformers)

Using this model becomes easy when you have sentence-transformers installed:

pip install -U sentence-transformers

Then you can use the model like this:

from sentence_transformers import SentenceTransformer
sentences = ["This is an example sentence", "Each sentence is converted"]

model = SentenceTransformer('OCR-robust-gte-multilingual-base}')
embeddings = model.encode(sentences)
print(embeddings)

Evaluation Results

I will add the model specific evaluation results once the instance is running again.

Training Details

Training Dataset

Contrastive Training

The model was trained with the parameters:

Loss:

sentence_transformers.losses.MultipleNegativesRankingLoss with parameters:

{'scale': 20.0, 'similarity_fct': 'cos_sim'}

Parameters of the fit()-Method:

{
    "epochs": 1,
    "evaluation_steps": 0,
    "evaluator": "NoneType",
    "max_grad_norm": 1,
    "optimizer_class": "<class 'torch.optim.adamw.AdamW'>",
    "optimizer_params": {
        "lr": 2e-05
    },
    "scheduler": "WarmupLinear",
    "steps_per_epoch": null,
    "warmup_steps": 250,
    "weight_decay": 0.01
}

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 8192, 'do_lower_case': False}) with Transformer model: NewModel 
  (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': True, 'pooling_mode_mean_tokens': False, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True})
  (2): Normalize()
)

Citation

BibTeX

Cheap Character Noise for OCR-Robust Multilingual Embeddings (introducing paper)

For details on the adaptation methodology please refer to our paper (published in ACL2025 Findings). If you use our models or methodology, please cite our work.

@inproceedings{michail-etal-2025-cheap,
    title = "Cheap Character Noise for {OCR}-Robust Multilingual Embeddings",
    author = "Michail, Andrianos  and
      Opitz, Juri  and
      Wang, Yining  and
      Meister, Robin  and
      Sennrich, Rico  and
      Clematide, Simon",
    editor = "Che, Wanxiang  and
      Nabende, Joyce  and
      Shutova, Ekaterina  and
      Pilehvar, Mohammad Taher",
    booktitle = "Findings of the Association for Computational Linguistics: ACL 2025",
    month = jul,
    year = "2025",
    address = "Vienna, Austria",
    publisher = "Association for Computational Linguistics",
    url = "https://aclanthology.org/2025.findings-acl.609/",
    doi = "10.18653/v1/2025.findings-acl.609",
    pages = "11705--11716",
    ISBN = "979-8-89176-256-5",

Original Multilingual GTE Model

@inproceedings{zhang2024mgte,
  title={mGTE: Generalized Long-Context Text Representation and Reranking Models for Multilingual Text Retrieval},
  author={Zhang, Xin and Zhang, Yanzhao and Long, Dingkun and Xie, Wen and Dai, Ziqi and Tang, Jialong and Lin, Huan and Yang, Baosong and Xie, Pengjun and Huang, Fei and others},
  booktitle={Proceedings of the 2024 Conference on Empirical Methods in Natural Language Processing: Industry Track},
  pages={1393--1412},
  year={2024}
}

About Impresso

Impresso project

Impresso - Media Monitoring of the Past is an interdisciplinary research project that aims to develop and consolidate tools for processing and exploring large collections of media archives across modalities, time, languages and national borders. The first project (2017-2021) was funded by the Swiss National Science Foundation under grant No. CRSII5_173719 and the second project (2023-2027) by the SNSF under grant No. CRSII5_213585 and the Luxembourg National Research Fund under grant No. 17498891.

Copyright

Copyright (C) 2025 The Impresso team.

License

This program is provided as open source under the GNU Affero General Public License v3 or later.


Как запустить

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

GPU в ailist

Универсальный рантайм · sentence-transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
NewModel
Ревизия весов
b9fd566

0 моделей