Характеристики

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

Ссылки

time-embed-bge-m3-lms-temporal-phase2-90

ЭмбеддингиТекст → embedding3 профессии

Дообученная на основе BGE-M3 корейская модель эмбеддингов для поиска и различения относительных временных выражений в LMS.

14скачиваний 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.

Добавьте модель в бенчмарк
Вместе с другими моделями категории «Эмбеддинги» — сравнение идёт внутри одной категории.
Опишите свои задачи
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
Запустите и опубликуйте
Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Открыть конструктор бенчмарка

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 Phase2.90 — корейская модель эмбеддингов для поиска в системах управления обучением (LMS), разработанная на основе BAAI/bge-m3 и дообученная для точного различения выражений относительного времени. Она предназначена для поиска по запросам вроде «неделю назад», «за последние 7 дней» и «прошлый месяц», а также для различения похожих временных выражений с учётом типа материала или намерения пользователя.

Модель использует архитектуру XLM-RoBERTa с 658,7 млн параметров, принимает текст и выдаёт векторные представления. Контекст составляет 8194 токена. Разработчик описывает её как узкоспециализированный вариант BGE-M3, а не замену базовой модели для общих задач. Внутренние проверки показали лишь очень небольшое улучшение относительно родительского чекпойнта Phase2.74; автор рекомендует использовать её при наличии внутренних проверок качества для временного, календарного и семантического поиска. Лицензия в предоставленных сведениях не указана.

Сценарии применения

Поиск учебных материалов по запросам с относительными датами
Различение «прошлая неделя» и «7 дней назад»
Поиск материалов за последние 7 дней отдельно от материалов 7 дней назад
Поиск по выражениям вроде «прошлый месяц» и «30 дней назад»
Различение намерений и типов LMS-материалов при одинаковом временном выражении

Ограничения

Модель специализирована на корейском поиске временных выражений в LMS и не предназначена для замены BAAI/bge-m3 в общих задачах без отдельной проверки. Преимущество над Phase2.74 по внутренним тестам очень мало и описано автором как хрупкое.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

IV.5Отраслевые задачиОбразование и развитие навыковAI помогает персонализировать обучение и снижать административную нагрузку на преподавателей.34 задачи6 641модель I.1Универсальные способностиПоиск и навигация по информацииAI помогает находить нужные сведения и помогать человеку быстро переходить от вопроса к подтверждённому источнику.18 задач13 467моделей I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Time-Embed BGE-M3 LMS Temporal Phase2.90

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

Phase2.90 is a tiny p74-parent continuation run. It keeps the uploaded Phase2.74 checkpoint as both base and teacher, then applies a 14-step multi-objective pairwise update with stronger semantic proxy preservation.

The goal is narrow: preserve Phase2.74 semantic/calendar frontiers while adding a small temporal lift.

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.

Training Summary

item	value
base/teacher	`phase2.74`
learning rate	`1.5e-10`
max steps	`14`
trainable scope	`encoder.layer.23.*`
precision	`fp32`
gradient surgery	`pcgrad`
seed	`90`

Train-only shards:

shard	rows
calendar proxy guard	`48`
temporal hard repair	`144`
positive anchor replay	`120`
temporal concept replay	`80`
semantic year-offset guard	`24`
visible semantic control replay	`16`

Internal Evaluation

Promotion baseline: Phase2.74.

suite	Phase2.74 frontier	Phase2.90	delta
temporal benchmark critical positive	`0.715032517`	`0.715032874`	`+0.000000358`
semantic retention critical positive	`0.961106231`	`0.961106708`	`+0.000000477`
calendar benchmark critical positive	`0.874759797`	`0.874762101`	`+0.000002305`

All three final-suite gates passed and negative_near_one_rate=0.0 in the temporal, semantic, and calendar suites.

Paired p74 audit:

suite	verdict	critical delta
temporal benchmark	`strict_pass_but_fragile_tie`	`+0.000000358`
semantic retention	`strict_pass_but_fragile_tie`	`+0.000000477`
calendar benchmark	`strict_pass_but_fragile_tie`	`+0.000002305`

MTEB Retention Check

Base-vs-checkpoint Korean MTEB comparison:

task	metric	delta
KLUE-STS	main_score	`+0.006886`
KorSTS	main_score	`+0.004260`
KLUE-NLI	main_score	`+0.024989`
SQuADKorV1Retrieval	ndcg_at_10	`-0.004290`
SQuADKorV1Retrieval	mrr_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

Phase2.90 is a narrow frontier improvement over Phase2.74, not a wide-margin quality jump. Treat this model as the current best candidate only with the project's internal temporal/calendar/semantic gates attached.

Provenance

Base model: BAAI/bge-m3
Parent checkpoint: kev-KOH/time-embed-bge-m3-lms-temporal-phase2-74
Research note: wiki/2026-06-26/research/phase2-90-p74-semantic-proxy-guarded-lift-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: e5ff09d