/ Модель

Характеристики

Контекст
8 192 токена
Параметры
149 млн
Лицензия
Apache 2.0
Архитектура
modernbert · dense
Библиотека
sentence-transformers
Опубликована
13 мар 2026

DenseOn-unsupervised

ЭмбеддингиТекст → embedding8 профессий

Англоязычный плотный текстовый ретривер LightOn на базе ModernBERT для поиска по сходству и дальнейшего дообучения под предметные данные.

202скачиваний за 30 дней8лайковвеса обновлены21 апр 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 оценки28

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

  • LoTTE

    main_score

    Результат

    0,8086

    Общий результат 0,9231Общий результат 0,9166Общий результат 0,9156
    MTEB

    Публичная таблицадругая ревизия

  • ArguAna

    main_score

    Результат

    0,5494

    MTEB

    Публичная таблицадругая ревизия

  • CQADupstackGisRetrieval

    main_score

    Результат

    0,4548

    MTEB

    Публичная таблицадругая ревизия

  • CQADupstackAndroidRetrieval

    main_score

    Результат

    0,543

    MTEB

    Публичная таблицадругая ревизия

  • CQADupstackStatsRetrieval

    main_score

    Результат

    0,3972

    MTEB

    Публичная таблицадругая ревизия

  • NFCorpus

    main_score

    Результат

    0,3792

    MTEB

    Публичная таблицадругая ревизия

  • SCIDOCS

    main_score

    Результат

    0,2305

    MTEB

    Публичная таблицадругая ревизия

  • Touche2020

    main_score

    Результат

    0,2187

    MTEB

    Публичная таблицадругая ревизия

  • MSMARCO

    main_score

    Результат

    0,293

    MTEB

    Публичная таблицадругая ревизия

  • QuoraRetrieval

    main_score

    Результат

    0,8898

    MTEB

    Публичная таблицадругая ревизия

  • SciFact

    main_score

    Результат

    0,7635

    MTEB

    Публичная таблицадругая ревизия

  • CQADupstackGamingRetrieval

    main_score

    Результат

    0,6465

    MTEB

    Публичная таблицадругая ревизия

  • TRECCOVID

    main_score

    Результат

    0,6812

    MTEB

    Публичная таблицадругая ревизия

  • NQ

    main_score

    Результат

    0,5062

    MTEB

    Публичная таблицадругая ревизия

  • FiQA2018

    main_score

    Результат

    0,5234

    MTEB

    Публичная таблицадругая ревизия

  • CQADupstackEnglishRetrieval

    main_score

    Результат

    0,5304

    MTEB

    Публичная таблицадругая ревизия

  • CQADupstackWordpressRetrieval

    main_score

    Результат

    0,3964

    MTEB

    Публичная таблицадругая ревизия

  • CQADupstackTexRetrieval

    main_score

    Результат

    0,345

    MTEB

    Публичная таблицадругая ревизия

  • ClimateFEVER

    main_score

    Результат

    0,182

    MTEB

    Публичная таблицадругая ревизия

  • CQADupstackRetrieval

    main_score

    Результат

    0,4628

    MTEB

    Публичная таблицадругая ревизия

  • HotpotQA

    main_score

    Результат

    0,5977

    MTEB

    Публичная таблицадругая ревизия

  • CQADupstackWebmastersRetrieval

    main_score

    Результат

    0,451

    MTEB

    Публичная таблицадругая ревизия

  • CQADupstackMathematicaRetrieval

    main_score

    Результат

    0,3529

    MTEB

    Публичная таблицадругая ревизия

  • CQADupstackProgrammersRetrieval

    main_score

    Результат

    0,4479

    MTEB

    Публичная таблицадругая ревизия

  • CQADupstackUnixRetrieval

    main_score

    Результат

    0,4726

    MTEB

    Публичная таблицадругая ревизия

  • DBPedia

    main_score

    Результат

    0,3739

    MTEB

    Публичная таблицадругая ревизия

  • FEVER

    main_score

    Результат

    0,7068

    MTEB

    Публичная таблицадругая ревизия

  • CQADupstackPhysicsRetrieval

    main_score

    Результат

    0,5154

    MTEB

    Публичная таблицадругая ревизия

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

DenseOn-unsupervised — модель LightOn для плотного поиска по текстам, выпущенная после первого этапа обучения семейства DenseOn. Это Sentence Transformer на базе ModernBERT с 149 млн параметров: он кодирует текст в векторы размерности 768, которые можно сравнивать по косинусному сходству. Максимальная длина последовательности в README — 512 токенов; метаданные указывают контекст до 8192 токенов, поэтому фактическое ограничение зависит от используемой конфигурации и способа запуска.

Модель прошла масштабное контрастивное предобучение без последующей настройки на сложных отрицательных примерах. Она предназначена прежде всего как основа для дообучения на предметных данных, экспериментов с дистилляцией и исследования этапов обучения ретриверов. Для готовых производственных сценариев авторы рекомендуют полностью обученную DenseOn. Модель рассчитана на английский язык и задачи извлечения признаков и семантического сходства предложений. Распространяется по лицензии Apache 2.0.

Сценарии применения

  • поиск релевантных документов по текстовому запросу
  • ранжирование документов по семантическому сходству с запросом
  • получение векторных представлений текстов для поиска
  • дообучение ретривера на корпусе конкретной предметной области
  • эксперименты с дистилляцией моделей поиска

Ограничения

Это промежуточный чекпойнт без настройки на mined hard negatives; авторы рекомендуют полностью обученную DenseOn для большинства производственных сценариев. В README максимальная длина последовательности указана как 512 токенов, хотя метаданные сообщают контекст до 8192 токенов.

Для каких профессий подходит8

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

Website LinkedIn X

📚 Collection | 📝 Blog

🎯 TL;DR: The intermediate dense checkpoint produced by Stage 1 only of the DenseOn pipeline: large-scale unsupervised contrastive pre-training on filtered query-document pairs. Released as a strong starting point for your own supervised fine-tuning, knowledge distillation, or downstream adaptation.

About the LateOn / DenseOn Family

State-of-the-art retrieval is increasingly dominated by closed models, either hidden behind APIs or trained on undisclosed data. This blocks reproducibility, prevents study of possible data leakage, and gatekeeps progress to a handful of private labs. We thus decided to gather and curate a large amount of data and explore various mixtures. We release all the data used in our explorations:

Based on our findings, we trained LateOn (multi-vector/ColBERT) and DenseOn (single vector/dense) models on a proprietary Apache 2.0-compatible training dataset and release those models as well. Both are built on the ModernBERT backbone at 149M parameters, a size we believe sits at the sweet spot: large enough to handle real-world queries and documents, small enough to serve at high throughput in latency-sensitive production systems. For more information, please read our blogpost.

DenseOn-unsupervised

DenseOn-unsupervised is the output of the first stage of the DenseOn training pipeline. It has been pre-trained on a large, filtered corpus of query-document pairs using in-batch contrastive learning, but has not yet been fine-tuned with mined hard negatives.

For most production use cases, you should use the fully-trained DenseOn instead. This unsupervised checkpoint is intended for:

  • Researchers studying what each pipeline stage contributes
  • Practitioners who want to fine-tune on their own domain-specific data
  • Distillation experiments where you want to start from a strong but un-aligned base
  • Anyone running their own ablations on hard-negative mining strategies

Results

BEIR (14 datasets, NDCG@10)

ModelAverageSizeEmb dimArguAnaCQADupstackRetrievalClimateFEVERDBPediaFEVERFiQA2018HotpotQAMSMARCONFCorpusNQQuoraRetrievalSCIDOCSSciFactTRECCOVIDTouche2020
modernbert-embed-base52.8914976848.9642.0835.6741.5087.3540.5967.1141.4733.4062.1588.8518.5969.6384.1531.91
bge-large-en-v1.554.34335102464.5242.2336.5744.1187.1845.0274.1042.4938.0655.0389.0722.6374.6474.7024.81
gte-modernbert-base55.1914976874.5642.6445.9041.3993.9849.5470.3939.9334.3256.1088.5720.4476.4175.7517.97
snowflake-arctic-embed-l-v2.055.22568102459.1145.8841.8243.4091.5445.3568.1544.8635.0863.6788.7520.2870.9083.6325.89
jina-embeddings-v5-text-nano56.0623976865.7044.6639.6045.2689.5147.8569.0741.6438.6963.3888.8722.6075.7877.6030.70
Qwen3-Embedding-0.6B55.52600102470.9746.0342.1139.4888.1546.6165.7437.9936.7153.4687.7824.4169.7290.5233.18
pplx-embed-v1-0.6b56.70600102460.4545.9639.8244.3090.6652.0574.4143.8635.8062.0488.9622.8474.7885.6328.98
DenseOn-unsupervised49.0514976854.9446.2818.2037.3970.6852.3459.7729.3037.9250.6288.9823.0576.3568.1221.87
DenseOn56.2014976854.6546.8937.4944.6590.6953.8674.5143.5839.0359.2589.3122.3575.9582.3328.43

DenseOn reaches 56.20 NDCG@10 on BEIR, making it the top base-size dense retriever and the first sub-150M model to clear the 56 bar. At 149M parameters it decisively beats GTE-ModernBERT (55.19) at the same size, and more tellingly outperforms snowflake-arctic-embed-l-v2.0 (55.22, 568M) and Qwen3-Embedding-0.6B (55.52, 595M) despite being roughly 4× smaller. DenseOn also stays within half a point of the strongest current-generation dense baselines, pplx-embed-v1-0.6B (56.70, 596M) and jina-embeddings-v5-text-nano (56.08, 239M), both substantially larger.

Decontaminated BEIR (12 datasets, NDCG@10)

Standard benchmarks risk overestimating model quality when training data overlaps with evaluation corpora. This is a non-negligible risk in our case, as our mixture explorations are mostly built on BEIR evaluation. To quantify this and ensure that our model has not memorized possible leakage, we built decontaminated versions of the BEIR datasets by removing samples found in both the mGTE training dataset and in our internal training datasets. Since many retrieval models draw from similar public sources (Wikipedia, MS MARCO, Common Crawl, academic corpora), we expect significant overlap across models and believe the decontaminated benchmarks provide a meaningful, if imperfect, stress test. The decontaminated datasets are publicly available on HuggingFace.

Despite being in the toughest position (as the decontamination is based on our data), LateOn and DenseOn stay consistent under decontamination. LateOn keeps its #1 position and DenseOn stays in the top four (only falling behind our other strong multi-vector model, ColBERT-Zero). Neither model flinches, which is direct evidence of generalization rather than overfitting.

More broadly, ColBERT models seems to generalize better under decontamination: all three ColBERT models hold or improve their ranking, and they take 2 of the top 3 decontaminated positions. Although DenseOn holds strong, some dense models are hit harder, for example GTE-ModernBERT, dropping from 8th to last, which is particularly interesting considering our base mixture is derived from theirs. This highlights the strength of our curation methodology. While other models such as Qwen3-Embedding-0.6B also drop some ranks, hinting at an overlap with the BEIR evaluation, it is worth noting that newer models, such as the new jina-embeddings-v5 and pplx-embed-v1-0.6b seems to exhibit stronger evidence of generalization rather than overfitting.

Related Checkpoints

ModelStageLink
DenseOn-unsupervised (this card)Pre-training onlylightonai/DenseOn-unsupervised
DenseOnPre-training + fine-tuninglightonai/DenseOn
LateOn-unsupervisedMulti-vector counterpart, pre-training onlylightonai/LateOn-unsupervised
LateOnMulti-vector counterpart, full pipelinelightonai/LateOn

Model Details

Model Description

  • Model Type: Sentence Transformer
  • Base model: ModernBERT-base
  • Maximum Sequence Length: 512 tokens
  • Output Dimensionality: 768 dimensions
  • Similarity Function: Cosine Similarity
  • Language: English
  • License: Apache 2.0

Model Sources

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': False, 'architecture': 'ModernBertModel'})
  (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': True, 'pooling_mode_mean_tokens': False, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True})
)

Usage

Direct Usage (Sentence Transformers)

First install the Sentence Transformers library:

pip install -U sentence-transformers

Then you can load this model and run inference.

from sentence_transformers import SentenceTransformer

# Download from the 🤗 Hub
model = SentenceTransformer("lightonai/DenseOn-unsupervised")
# Run inference
queries = [
    "Which planet is known as the Red Planet?",
]
documents = [
    "Venus is often called Earth's twin because of its similar size and proximity.",
    'Mars, known for its reddish appearance, is often referred to as the Red Planet.',
    'Saturn, famous for its rings, is sometimes mistaken for the Red Planet.',
]
query_embeddings = model.encode_query(queries)
document_embeddings = model.encode_document(documents)
print(query_embeddings.shape, document_embeddings.shape)
# [1, 768] [3, 768]

# Get the similarity scores for the embeddings
similarities = model.similarity(query_embeddings, document_embeddings)
print(similarities)
# tensor([[0.3464, 0.4823, 0.5147]])

Training Details

Framework Versions

  • Python: 3.11.10
  • Sentence Transformers: 5.1.1
  • Transformers: 4.57.5
  • PyTorch: 2.9.0+cu128
  • Accelerate: 1.12.0
  • Datasets: 3.6.0
  • Tokenizers: 0.22.1

Citation

BibTeX

DenseOn and LateOn

@misc{sourty2026denseonlateon,
  title={DenseOn with the LateOn: Open State-of-the-Art Single and Multi-Vector Models},
  author={Sourty, Raphael and Chaffin, Antoine and Weller, Orion and Demoura, Paulo and Chatelain, Amelie},
  year={2026},
  howpublished={\url{https://huggingface.co/blog/lightonai/denseon-lateon}},
}

PyLate

@inproceedings{DBLP:conf/cikm/ChaffinS25,
  author       = {Antoine Chaffin and
                  Rapha{\"{e}}l Sourty},
  editor       = {Meeyoung Cha and
                  Chanyoung Park and
                  Noseong Park and
                  Carl Yang and
                  Senjuti Basu Roy and
                  Jessie Li and
                  Jaap Kamps and
                  Kijung Shin and
                  Bryan Hooi and
                  Lifang He},
  title        = {PyLate: Flexible Training and Retrieval for Late Interaction Models},
  booktitle    = {Proceedings of the 34th {ACM} International Conference on Information
                  and Knowledge Management, {CIKM} 2025, Seoul, Republic of Korea, November
                  10-14, 2025},
  pages        = {6334--6339},
  publisher    = {{ACM}},
  year         = {2025},
  url          = {https://github.com/lightonai/pylate},
  doi          = {10.1145/3746252.3761608},
}

Sentence Transformers

@inproceedings{reimers-2019-sentence-bert,
    title = "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks",
    author = "Reimers, Nils and Gurevych, Iryna",
    booktitle = "Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing",
    month = "11",
    year = "2019",
    publisher = "Association for Computational Linguistics",
    url = "https://arxiv.org/abs/1908.10084"
}

Acknowledgements

We thank Xin Zhang, Zach Nussbaum, Tom Aarsen, Bo Wang, Eugene Yang, Benjamin Clavié, Nandan Thakur, Oskar Hallström and Iacopo Poli for their valuable contributions and feedback. We are grateful to the teams behind Sentence Transformers and the BEIR benchmark, and to the open-source retrieval community, in particular the authors of Nomic Embed.

This work was granted access to the HPC resources of IDRIS under GENCI allocations AS011016449, A0181016214, and A0171015706 (Jean Zay supercomputer). We also acknowledge the Barcelona Supercomputing Center (BSC-CNS) for providing access to MareNostrum 5 under EuroHPC AI Factory Fast Lane project EHPC-AIF-2025FL01-445.

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
ModernBertModel
Ревизия весов
0edbd55

0 моделей