/ Модель

Характеристики

Контекст
8 194 токена
Параметры
659 млн
Архитектура
xlm-roberta · dense
Базовая модель
bge-m3
Библиотека
FlagEmbedding
Опубликована
26 июн 2026

time-embed-bge-m3-lms-temporal-phase2-74

ЭмбеддингиТекст → embedding3 профессии

Специализированная корейская модель эмбеддингов для точного поиска по временным выражениям и материалам LMS.

11скачиваний за 30 дней0лайковвеса обновлены26 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

Time-Embed BGE-M3 LMS Temporal Phase2.74 — специализированная модель эмбеддингов для поиска по материалам корейских систем управления обучением (LMS). Она разработана на основе BAAI/bge-m3 и предназначена для различения близких по смыслу временных выражений, например «неделю назад», «за последние семь дней» и «семь дней назад», а также запросов с разным типом материала или намерением. Модель содержит 658,7 млн параметров, построена на архитектуре XLM-RoBERTa, принимает текст и выдаёт векторы признаков; длина контекста — 8194 токена.

Версия Phase2.74 получена без нового градиентного обучения: это выпуклая интерполяция двух контрольных точек Time-Embed с коэффициентом 0,75 для Phase2.73. По внутренним оценкам она сохраняет временные показатели Phase2.72 и даёт небольшие улучшения семантических и календарных оценок; сравнение с BGE-M3 также показало улучшения на приведённых корейских MTEB-задачах. Результат узкоспециализированный, а прирост на временном тесте крайне мал, поэтому модель следует проверять в целевой LMS-системе и сохранять Phase2.72 как запасной вариант. Лицензия в предоставленных данных не указана.

Сценарии применения

  • Поиск материалов LMS по корейским выражениям «неделю назад» и «за последние семь дней»
  • Различение запроса «прошлая неделя» и «семь дней назад»
  • Поиск по выражениям «прошлый месяц» и «30 дней назад»
  • Разделение результатов с одинаковым временным выражением, но разным типом учебного материала
  • Семантический поиск по корейским запросам в системе управления обучением

Ограничения

Модель узкоспециализирована на поиске временных выражений в корейских LMS и не предназначена для замены BGE-M3 общего назначения без проверки на целевой задаче. Заявленный прирост над Phase2.72 на временном тесте очень мал; README рекомендует оставить Phase2.72 запасным вариантом до проверки в целевой системе.

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

Time-Embed BGE-M3 LMS Temporal Phase2.74

This checkpoint is a Korean LMS temporal-expression embedding model derived from BAAI/bge-m3.

Phase2.74 is not a new gradient-training run. It is a training-free convex interpolation between two Time-Embed checkpoints:

candidate = (1 - alpha) * phase2.72 + alpha * phase2.73
alpha = 0.75

The purpose is to keep the Phase2.72 temporal frontier while borrowing the small semantic/calendar gains observed in Phase2.73.

Intended Use

Use this model for Korean LMS retrieval where relative temporal expressions must be separated precisely, for example:

  • 일주일 전, 7일 전, 1주 전
  • 지난주 versus 7일 전
  • 최근 7일 versus 7일 전
  • 지난달 versus 30일 전
  • same time expression but different LMS item type or intent

This model is specialized for temporal-expression retrieval. It is not a general-purpose replacement for BAAI/bge-m3 without task-specific validation.

Internal Evaluation

Promotion baseline: Phase2.72.

suitePhase2.72 frontierPhase2.74delta
temporal benchmark critical positive0.7150323580.715032517+0.000000159
semantic retention critical positive0.9610940750.961106231+0.000012156
calendar benchmark critical positive0.8747482290.874759797+0.000011568

All three internal suites passed their gates, and all three suites had negative_near_one_rate=0.0.

MTEB Retention Check

Base-vs-checkpoint Korean MTEB comparison:

taskmetricdelta
KLUE-STSmain_score+0.006886
KorSTSmain_score+0.004257
KLUE-NLImain_score+0.024984
SQuADKorV1Retrievalndcg_at_10-0.004290
SQuADKorV1Retrievalmrr_at_10-0.004378

No general catastrophic forgetting was detected by the project default rule: all drops stayed within the -0.01 retention band.

Caveat

The smallest Phase2.74 frontier gain over Phase2.72 is only +0.000000159. Treat this model as a narrow frontier improvement, not a wide-margin quality jump. Downstream consumers should keep Phase2.72 as a fallback candidate until Phase2.74 is validated in the target LMS retrieval stack.

Provenance

  • Base model: BAAI/bge-m3
  • Parent checkpoints:
    • kev-KOH/time-embed-bge-m3-lms-temporal-phase2-72
    • local Phase2.73 checkpoint
  • Research note: wiki/2026-06-26/research/phase2-74-p72-p73-semantic-frontier-interpolation-design.md

Как запустить

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

GPU в ailist

Универсальный рантайм · FlagEmbedding

Можно запустить

Подбираем GPU…

Класс архитектуры
XLMRobertaModel
Ревизия весов
2830c40

0 моделей