/ Модель

Характеристики

Контекст
1 000 000 токенов
Лицензия
MIT
Архитектура
model2vec · dense
Базовая модель
rgveda-embedding-gemma
Библиотека
model2vec
Опубликована
8 авг 2026

sanskritgemma-256

Сходство предложенийТекст → score3 профессии

Статическая модель эмбеддингов для поиска похожих предложений и межъязыкового поиска по текстам на санскрите.

23скачиваний за 30 дней0лайковвеса обновлены8 авг 2026

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

sanskritgemma-256 — статическая модель эмбеддингов Model2Vec, созданная дистилляцией Ganaraj/rgveda-embedding-gemma, варианта embeddinggemma, настроенного на ведийском санскрите. Она предназначена для поиска похожих предложений и межъязыкового семантического поиска по санскритским текстам, в том числе по запросам в транслитерации IAST и английским переводам. В README приведены результаты оценки на стихах «Бхагавадгиты».

Модель содержит таблицу статических векторов размерности 256; эмбеддинги получаются через mean pooling, PCA и нормализацию. При инференсе трансформер не запускается, что ускоряет кодирование на CPU, но модель не учитывает порядок слов и контекст. Репозиторий использует safetensors и библиотеку model2vec; заявленная лицензия — MIT, при этом для распространения производной модели нужно учитывать условия Gemma, унаследованные от базовой модели.

Сценарии применения

  • поиск стихов санскритского текста по запросу в транслитерации IAST
  • поиск санскритских фрагментов по английскому переводу
  • индексация санскритских текстов для семантического поиска
  • поиск ближайших предложений в векторной базе

Ограничения

Статические эмбеддинги не учитывают порядок слов и контекст; объединение слов из-за сандхи или словосложения может мешать поиску. В оценке полного retrieval-конвейера с формированием контекста модель уступала potion-multilingual; условия Gemma также распространяются на производные модели.

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

sanskritgemma-256

A Model2Vec static distillation of Ganaraj/rgveda-embedding-gemma — an embeddinggemma variant tuned on Vedic Sanskrit. Static embeddings are a lookup table: no transformer runs at inference, so encoding is ~1,000× faster on CPU at the cost of word order and context.

  • 256 dimensions, float16, PCA-256, mean pooling, normalized — ~131 MB
  • Tokenizer: Ganaraj/rgveda-embedding-gemma
  • Sibling widths at 384, 512 and 768 exist; see the Matryoshka note below before reaching for them

Usage

from model2vec import StaticModel

model = StaticModel.from_pretrained("karthikrajgopal/sanskritgemma-256")
embeddings = model.encode(["धर्मक्षेत्रे कुरुक्षेत्रे", "the field of dharma"])

Evaluation

Measured on the complete Bhagavad Gītā — 701 verses indexed as Devanagari only, queried by their IAST transliteration and by two independent published English translations. An English query is therefore genuine cross-lingual retrieval with no leakage. Scores are MRR@10.

Against other static models, encoder only

modelteacherdimsIASTEN closeEN freemean
potion-multilingual-128M—2560.6470.2650.2330.536
distilled-embeddinggemmaembeddinggemma-300m2560.6840.2510.2050.535
(same teacher, 512d)embeddinggemma-300m5120.6770.2430.2030.531
sanskritgemma-256rgveda-embedding-gemma2560.6560.3170.2490.555

The teacher is the lever, not the width. Doubling the general embeddinggemma distillation to 512 dims made it worse; re-distilling from a Sanskrit-tuned teacher at 256 dims moved English-close retrieval from 0.251 to 0.317.

Matryoshka: the widths are nearly flat

widthsizemean MRR
256131 MB0.555
384196 MB0.561
512262 MB0.563
768393 MB0.565

256 reaches 98% of 768's quality at a third of the disk, which is why this is the width worth publishing.

When to use it, and when not to

This model is strongest where the encoder is doing the retrieval: flat chunk search, an ANN-only path, or a transliteration-heavy corpus — its IAST top-1 (0.487) is the best of the static models tested, against potion's 0.420.

Measured inside a full retrieval stack — tree structure, section roll-up and assembled context — potion-multilingual pulled ahead (0.238 against 0.213 mean MRR, paired bootstrap 95% CI [+0.016, +0.074] over 500 queries). Once whole sections are being assembled, what is left for the encoder is loose English semantics, and a broadly-trained multilingual model handles that better. Benchmark the configuration you ship, not the encoder alone.

Static pooling also cannot recover a word that sandhi or compounding has fused: dharmakṣetre is one token. In litesearch that gap is closed outside the encoder, by indexing lemmas and Monier-Williams glosses alongside the text.

Provenance

Distilled with Model2Vec. Full evaluation, including the paired significance test, is in litesearch's 10_sanskrit_eval notebook.

MIT, following the Model2Vec tooling. The teacher derives from Google's embeddinggemma, whose Gemma terms of use flow through — check those before redistributing derivatives.

Как запустить

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

GPU в ailist

Универсальный рантайм · model2vec

Нельзя запустить

Архитектура model2vec неизвестна transformers в образе рантайма.

Класс архитектуры
StaticModel
Ревизия весов
2a365de

0 моделей