/ Модель

Характеристики

Контекст
8 192 токена
Параметры
307 млн
Лицензия
Apache 2.0
Архитектура
modernbert · dense
Базовая модель
mmBERT-base
Библиотека
sentence-transformers
Опубликована
9 июл 2026

mDenseOn-unsupervised

ЭмбеддингиТекст → embedding5 профессий

Многоязычный плотный энкодер LightOn для поиска по запросам и документам, предназначенный прежде всего для дальнейшего дообучения и экспериментов.

343скачиваний за 30 дней5лайковвеса обновлены30 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 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

mDenseOn-unsupervised — многоязычная плотная модель для поиска по LightOn, полученная на первом этапе обучения семейства mDenseOn. Это энкодер Sentence Transformers на базе ModernBERT с 306,9 млн параметров: он кодирует запросы и документы в векторы размерности 768, используя CLS-пулинг и косинусное сходство. Для запросов и документов предусмотрены префиксы `query:` и `document:`, максимальная длина последовательности — 8192 токена.

Модель предварительно обучена контрастивным методом на корпусе примерно из 2,8 млрд пар «запрос—документ» на английском, французском, немецком, итальянском, испанском, португальском, шведском, норвежском и арабском языках; около четверти пар являются межъязыковыми. Чекпойнт подходит для экспериментов с многоязычным поиском, дообучения на собственных данных и дистилляции. Для большинства производственных сценариев авторы рекомендуют полностью обученную mDenseOn, поскольку этот чекпойнт ещё не прошёл этап настройки на отобранных сложных негативных примерах. Лицензия — Apache 2.0.

Сценарии применения

  • дообучение многоязычного поиска на собственных парах запросов и документов
  • создание векторного индекса документов на девяти поддерживаемых языках
  • поиск документов по запросам на другом языке
  • эксперименты с контрастивным обучением и сложными негативными примерами
  • дистилляция многоязычной модели поиска

Ограничения

Это промежуточный чекпойнт без настройки на mined hard negatives; для большинства производственных задач авторы рекомендуют полностью обученную mDenseOn. Языковое покрытие ограничено девятью языками, указанными в карточке.

Для каких профессий подходит5

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 | 📝 Multilingual Blog | 📝 English Blog | 📝 Paper

🎯 TL;DR: The intermediate multilingual dense checkpoint produced by Stage 1 only (unsupervised contrastive pre-training) of the mDenseOn pipeline, trained on a multilingual dataset with 2.8B query–document pairs across nine languages (including 25% cross-lingual pairs). Released as a strong starting point for your own supervised fine-tuning, knowledge distillation, or downstream adaptation.

About the mDenseOn / mLateOn Family

With DenseOn and LateOn, we demonstrated that an open, carefully curated data recipe can match closed-data retrieval models on English. mDenseOn and mLateOn extend this recipe to multilingual, long-context, and code retrieval.

Rather than independently collecting multilingual corpora from scratch (which would be expensive, uneven across languages, and hard to curate at the same quality), we applied the translate-train approach: machine-translating our validated English data into eight target languages (French, German, Italian, Spanish, Portuguese, Swedish, Norwegian, and Arabic) and adding cross-lingual pairs for cross-lingual alignment.

For more information, please read our multilingual blog post and our English blog post.

mDenseOn-unsupervised

mDenseOn-unsupervised is the output of the first stage of the mDenseOn training pipeline. It has been pre-trained on a large, filtered multilingual corpus of approximately 2.8B query–document pairs across nine languages (including 25% cross-lingual 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 mDenseOn instead. This unsupervised checkpoint is intended for:

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

If your use case permits multi-vector retrieval, also consider mLateOn-unsupervised, the late-interaction counterpart of this checkpoint. The fully-trained mLateOn achieves substantially stronger results, especially on multilingual and long-context tasks, and generalizes to languages outside of the training set.

For more information, please read our multilingual models blog post, our English models blog post and our paper.

Related Checkpoints

ModelDescriptionLink
mDenseOn-unsupervised (this card)Multilingual dense, pre-training onlylightonai/mDenseOn-unsupervised
mDenseOnMultilingual dense retriever (recommended)lightonai/mDenseOn
mLateOn-unsupervisedMultilingual late-interaction, pre-training onlylightonai/mLateOn-unsupervised
mLateOnMultilingual late-interaction retriever (strongest multilingual)lightonai/mLateOn
DenseOn-unsupervisedEnglish-only dense, pre-training onlylightonai/DenseOn-unsupervised
DenseOnEnglish-only dense retrieverlightonai/DenseOn
LateOn-unsupervisedEnglish-only late-interaction, pre-training onlylightonai/LateOn-unsupervised
LateOnEnglish-only late-interaction retrieverlightonai/LateOn

Model Details

Model Description

  • Model Type: Sentence Transformer
  • Base model: mmBERT-base
  • Maximum Sequence Length: 8,192 tokens
  • Output Dimensionality: 768 dimensions
  • Similarity Function: Cosine Similarity
  • Pooling: [CLS] token
  • Prompts: query: for queries, document: for documents
  • Languages: English, French, German, Italian, Spanish, Portuguese, Swedish, Norwegian, Arabic
  • License: Apache 2.0

Model Sources

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 8192, '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/mDenseOn-unsupervised")

# Run inference with multilingual queries and documents
queries = [
    "Quelle planète est connue comme la planète rouge ?",
    "Which planet is known as the Red Planet?",
]
documents = [
    "Venus wird oft als Zwilling der Erde bezeichnet wegen ihrer ähnlichen Größe.",
    "Mars, connu pour son apparence rougeâtre, est souvent appelé la planète rouge.",
    "Marte, conocido por su apariencia rojiza, es a menudo llamado el Planeta Rojo.",
    "Mars, known for its reddish appearance, is often referred to as the Red Planet.",
]

query_embeddings = model.encode(queries, prompt_name="query")
document_embeddings = model.encode(documents, prompt_name="document")
print(query_embeddings.shape, document_embeddings.shape)
# [2, 768] [4, 768]

# Get the similarity scores for the embeddings
similarities = model.similarity(query_embeddings, document_embeddings)
print(similarities)

Downstream Usage (Sentence Transformers)

You can fine-tune this model on your own dataset. This checkpoint is specifically designed as a strong starting point for supervised fine-tuning with mined hard negatives or knowledge distillation, following the recipe described in our multilingual blog post.

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

mDenseOn and mLateOn

@misc{sourty2026denseonlateonfullyopen,
  title         = {DenseOn with the LateOn: Fully Open Dense and Late-Interaction Models for Multilingual, Long-Context, and Code Search},
  author        = {Raphaël Sourty and Antoine Chaffin and Paulo Roberto Moura Junior and Amélie Chatelain},
  year          = {2026},
  eprint        = {2607.27178},
  archivePrefix = {arXiv},
  primaryClass  = {cs.CL},
  url           = {https://arxiv.org/abs/2607.27178},
}

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 Moura Junior, Paulo Roberto 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 Eugene Yang for his feedback on adapting our English study to multilinguality through translate-train. We again 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 on the original English study. We thank Orion Weller for building the FineWeb-derived Common Crawl split as well as for his feedback and help. We are grateful to the teams behind Sentence Transformers, BEIR, and MIRACL, 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. This project is also supported by the OpenEuroLLM project, co-funded by the Digital Europe Programme under GA no. 101195233.

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
0c60b5b

0 моделей