/ Модель

Характеристики

Контекст
512 токенов
Параметры
124 млн
Лицензия
MIT
Архитектура
bert · dense
Базовая модель
multilingual-e5-small
Библиотека
sentence-transformers
Опубликована
23 июн 2026

bangla-embed-e5-small-banglish

ЭмбеддингиТекст → embedding9 профессий

Компактный энкодер для семантического поиска и сопоставления бенгальских текстов, включая запросы на латинской записи Banglish.

1 259скачиваний за 30 дней1лайквеса обновлены5 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 оценки17

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

  • SIB200ClusteringS2S

    main_score

    Результат

    0,3025

    Общий результат 0,3654Общий результат 0,361Общий результат 0,3571
    MTEB

    Публичная таблицадругая ревизия

  • BelebeleRetrieval

    main_score

    Результат

    0,8178

    Общий результат 0,8515Общий результат 0,8349Общий результат 0,825
    MTEB

    Публичная таблицадругая ревизия

  • NepaliNewsClassification

    main_score

    Результат

    0,9287

    MTEB

    Публичная таблицадругая ревизия

  • IN22GenBitextMining

    Среднее по поднаборам

    Результат

    0,8024

    MTEB

    Расчёт каталогадругая ревизия

  • IndicCrosslingualSTS

    main_score

    Результат

    0,4712

    Общий результат 0,6037Общий результат 0,5731Общий результат 0,5486
    MTEB

    Публичная таблицадругая ревизия

  • SanskritShlokasClassification

    main_score

    Результат

    0,6104

    MTEB

    Публичная таблицадругая ревизия

  • TweetSentimentClassification

    main_score

    Результат

    0,3672

    MTEB

    Публичная таблицадругая ревизия

  • MTOPIntentClassification

    main_score

    Результат

    0,5653

    Общий результат 0,5655
    MTEB

    Публичная таблицадругая ревизия

  • XNLI

    main_score

    Результат

    0,7564

    MTEB

    Публичная таблицадругая ревизия

  • WikipediaRerankingMultilingual

    main_score

    Результат

    0,8494

    Общий результат 0,8367
    MTEB

    Публичная таблицадругая ревизия

  • XQuADRetrieval

    main_score

    Результат

    0,9262

    MTEB

    Публичная таблицадругая ревизия

  • SentimentAnalysisHindi

    main_score

    Результат

    0,6198

    MTEB

    Публичная таблицадругая ревизия

  • HindiDiscourseClassification

    main_score

    Результат

    0,3587

    MTEB

    Публичная таблицадругая ревизия

  • MalayalamNewsClassification

    main_score

    Результат

    0,7563

    MTEB

    Публичная таблицадругая ревизия

  • BengaliSentimentAnalysis

    main_score

    Результат

    0,832

    MTEB

    Публичная таблицадругая ревизия

  • MultiHateClassification

    main_score

    Результат

    0,5473

    MTEB

    Публичная таблицадругая ревизия

  • PunjabiNewsClassification

    main_score

    Результат

    0,8172

    MTEB

    Публичная таблицадругая ревизия

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Bangla-Embed-E5-Banglish — компактный текстовый энкодер на базе BERT, разработанный для семантического поиска и сопоставления предложений на бенгальском языке, включая его латинскую запись Banglish. Модель дообучена на intfloat/multilingual-e5-small методом трёхэтапной дистилляции от BGE-M3 с добавлением романизированных вариантов IndicXlit; размер по README — 118 млн параметров, в метаданных — 124,3 млн. Контекст составляет 512 токенов.

Ключевая особенность модели — межскриптовый поиск: она сопоставляет запросы на Banglish с текстами на бенгальском письме и английском. Также модель создаёт эмбеддинги для семантического поиска, сравнения предложений и ранжирования. По приведённым в карточке оценкам, она показывает сильные результаты на бенгальских и межъязыковых наборах, сопоставимые с гораздо более крупными энкодерами.

Модель принимает текст и выдаёт векторные эмбеддинги; её можно использовать через sentence-transformers. Лицензия модели — MIT, однако некоторые обучающие источники могут иметь отдельные, в том числе некоммерческие, условия. Романизация при обучении была синтетической; качество проверялось на пользовательском наборе, но охват ограничен стандартным бенгальским, без региональных вариантов и практик набора текста. На полнотекстовых наборах MIRACL-bn и Mr.TyDi-bn модель уступает более крупным моделям и исходной основе.

Сценарии применения

  • поиск бенгальских документов по запросу на Banglish
  • сопоставление романизированного запроса с текстом на бенгальском письме
  • поиск английских соответствий для запросов на Banglish
  • семантический поиск по бенгальскому корпусу
  • сравнение смысловой близости бенгальских предложений
  • ранжирование бенгальских документов по релевантности

Ограничения

Романизация обучающих данных синтетическая, а проверенное покрытие ограничено стандартным бенгальским и не включает региональные варианты, такие как Sylheti и Chittagonian. На полнотекстовых наборах MIRACL-bn и Mr.TyDi-bn модель уступает более крупным моделям и исходной основе; условия лицензий некоторых обучающих данных могут ограничивать коммерческое использование.

Для каких профессий подходит9

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

Bangla-Embed-E5-Banglish

A compact 118M Bengali sentence encoder that additionally supports romanized Bengali (Banglish) and, uniquely, retrieves across scripts — aligning romanized queries with their native-Bengali and English counterparts. Rebased from intfloat/multilingual-e5-small by three-stage distillation from a BGE-M3 teacher, with IndicXlit-romanized views added in the distillation and contrastive stages.

Highlights

  • Cross-script retrieval: on a held-out, human-typed romanization set (disjoint from the training transliterator) it retrieves native counterparts at acc@1 0.85 / 0.96, versus ≤0.27 for all baselines, and is the only model that retrieves across script in a controlled product-search study (MRR@10 0.31 vs ≤0.11).
  • MTEB(Indic) Bengali mean 0.698 — statistically tied with the 4.8× larger BGE-M3 (0.700) and mE5-large (0.690); strongest encoder in the ≤120M tier.

For native-Bengali-only use, the companion kazalbrur/bangla-embed-e5-small is slightly stronger on some full-corpus retrieval sets.

Comparison — MTEB(Indic) Bengali subset

Main score per task type (mteb 2.12), single shared harness. This model is bolded.

ModelParamsRetrClassBitext-GBitext-CRerankSTSClustMean
BGE-M3 (teacher)568M0.6440.8790.8740.7220.8520.5930.3400.700
bangla-embed-e5-small-banglish (this model)118M0.7910.8320.8260.6540.8400.5960.3490.698
mE5-large560M0.6310.8470.8760.7480.8520.5400.3390.690
bangla-embed-e5-small118M0.5720.8480.8320.6680.8400.5540.3490.666
mE5-small (base)118M0.5350.8320.8480.6990.8350.5380.3100.656
LaBSE109M0.4420.8040.8490.7050.7920.5830.2390.631
Vyakyarth300M0.6290.7620.8530.5760.7670.4230.3430.622
pm-mpnet-base278M0.3370.7490.6180.4260.7010.3550.3700.508

Retr=BelebeleRetrieval, Class=BengaliSentiment, Bitext-G/C=IN22 Gen/Conv, Rerank=WikipediaReranking, STS=IndicCrosslingualSTS, Clust=SIB200. This model ranks second on mean and tops cross-lingual STS; the top-3 means span only 0.010 and are statistically indistinguishable under a 7-task paired bootstrap (treat sub-0.02 gaps as ties), i.e. on par with the 4.8× larger BGE-M3.

Cross-script (Banglish) retrieval — unique to this model

acc@1 on human-typed, held-out romanized queries retrieving native counterparts (disjoint from the training transliterator):

Modelbnₗₐₜ→enbnₗₐₜ→bn
bangla-embed-e5-small-banglish (this model)0.850.96
BGE-M3 / mE5-large / bangla-embed-e5-small≤0.27≤0.27

Only this model aligns romanized Bengali with native script/English.

Usage

from sentence_transformers import SentenceTransformer

model = SentenceTransformer("kazalbrur/bangla-embed-e5-small-banglish")
# romanized (Banglish) query -> native Bengali passage
q = model.encode(["dhaka kothay?"], prompt_name="query", normalize_embeddings=True)
d = model.encode(["ঢাকা বাংলাদেশের রাজধানী।"], prompt_name="passage", normalize_embeddings=True)
print((q @ d.T)[0, 0])

E5-family conventions: prefix queries with query: and passages with passage: (handled by prompt_name). Output dimension is 1024, L2-normalized.

Training & data

Three-stage curriculum (AdamW, cosine schedule, bf16). Distillation over ~18.7M EN–BN parallel pairs plus ~1M IndicXlit-romanized views; supervised contrastive fine-tuning (MNR) on ~2.77M pairs (Bangla-native core + SWIM-IR + MS MARCO-bn + ~0.32M romanized views); NLI polish (XNLI-bn, IndicXNLI-bn, MNLI-en). Released under the MIT license. Note that some training sources carry their own (in some cases non-commercial) terms — verify upstream data terms before commercial deployment.

Limitations

Training romanization is synthetic (IndicXlit); generalization is validated on a human-typed held-out set and a rule-based generator, but coverage is Standard Bangla only (regional typing conventions and varieties such as Sylheti/Chittagonian are unrepresented). On full-corpus MIRACL-bn/Mr.TyDi-bn it trails larger models and the untuned backbone; all metrics are automatic.

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
BertModel
Ревизия весов
388b11b

0 моделей