/ Модель

Характеристики

Контекст
514 токенов
Параметры
659 млн
Лицензия
Apache 2.0
Архитектура
xlm-roberta · dense
Базовая модель
xlm-roberta-large
Библиотека
colbert
Опубликована
22 июн 2026

ColBERT-XLMR-Mixed-Distill-enzh-zh

ЭмбеддингиТекст → embedding3 профессии

ColBERT-ретривер на базе XLM-RoBERTa-large для поиска по китайским документам с английскими, китайскими и смешанными запросами.

14скачиваний за 30 дней0лайковвеса обновлены22 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

Модель jonghwi/ColBERT-XLMR-Mixed-Distill-enzh-zh — поисковый ретривер ColBERT для поиска китайских текстовых фрагментов по запросам на английском, китайском или смешанном английско-китайском языке. Она использует XLM-RoBERTa-large и позднее взаимодействие ColBERT: кодирует токены запроса и документа в векторы, а затем оценивает релевантность по MaxSim. Размер проекции составляет 128, длина контекста — до 514 токенов; модель содержит около 658,7 млн параметров.

Модель дообучена с дистилляцией оценок релевантности от mT5-XXL/monoT5 на mMARCO и обучалась на запросах с переключением между английским и китайским. Она предназначена для двуязычного веб-поиска по китайским документам и может использоваться в системах информационного поиска, где нужен поиск по токенным представлениям и ранжирование фрагментов. Базовая модель XLM-RoBERTa была предобучена для понимания текста на 100 языках, но эта версия ориентирована на английские и китайские запросы и китайские документы.

Модель распространяется в формате safetensors под лицензией Apache-2.0. Она выдаёт представления для поиска и сама по себе не генерирует ответы. Контекст ограничен 514 токенами; заявленное назначение покрывает поиск по китайским документам, поэтому качество на иных языковых парах не следует считать подтверждённым.

Сценарии применения

  • Поиск китайских веб-страниц по запросу на английском
  • Поиск китайских документов по китайскому запросу
  • Поиск по китайским текстам с запросами, смешивающими английский и китайский
  • Получение релевантных фрагментов для двуязычной поисковой системы

Ограничения

Модель предназначена для китайских документов и запросов на английском, китайском или их смеси; перенос на другие языковые пары не подтверждён. Максимальная длина контекста составляет 514 токенов.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Mixed-Distill enzh-zh (English–Chinese)

A cross-lingual ColBERT late-interaction retriever (XLM-RoBERTa-large backbone) for English ⇄ Chinese web search. The model is distilled from a strong reranker and trained on code-switched (mixed-language) queries, following the Mixed-Distill recipe from the MiLQ paper.

The repo name encodes the training direction: enzh-zh = code-switched en+zh queries → zh documents. It is designed to be robust when bilingual users issue mixed English+Chinese queries against Chinese-language documents.

What "Mixed-Distill" means

  • Mixed — queries are code-switched (English tokens randomly mixed into Chinese queries, MUSE-based, ~0.5 mixing ratio), so the model handles native, English, and mixed-language queries.
  • Distill — trained with knowledge distillation (KL-divergence) from teacher relevance scores (mT5-XXL / monoT5 over mMARCO), 6-way passage scoring.

Intended use

  • Queries: English, Chinese, or code-switched English+Chinese.
  • Documents: Chinese-language passages.
  • Scoring: ColBERT late interaction (MaxSim over per-token embeddings).

Specs

Base modelxlm-roberta-large
ArchitectureColBERT (late interaction)
Projection dim128
Similaritycosine
Query max length32
Doc max length180
TrainingKD (KLD), n-way 6, teacher: mT5-XXL/monoT5 on mMARCO

Usage

Load with the ColBERT library:

from colbert.modeling.checkpoint import Checkpoint
from colbert.infra import ColBERTConfig

ckpt = Checkpoint("<your-username>/ColBERT-XLMR-Mixed-Distill-enzh-zh",
                  colbert_config=ColBERTConfig())
Q = ckpt.queryFromText(["mixed English+Chinese query ..."])
D = ckpt.docFromText(["Chinese document passage ..."])

Citation

@misc{kim2025milqbenchmarkingirmodels,
      title={MiLQ: Benchmarking IR Models for Bilingual Web Search with Mixed Language Queries},
      author={Jonghwi Kim and Deokhyung Kang and Seonjeong Hwang and Yunsu Kim and Jungseul Ok and Gary Lee},
      year={2025},
      eprint={2505.16631},
      archivePrefix={arXiv},
      primaryClass={cs.IR},
      url={https://arxiv.org/abs/2505.16631},
}

Как запустить

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

GPU в ailist

Универсальный рантайм · colbert

Можно запустить

Подбираем GPU…

Класс архитектуры
HF_ColBERT
Ревизия весов
c6f2087

0 моделей