/ Модель

Характеристики

Контекст
40 960 токенов
Параметры
3,7 млрд
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3-Embedding-4B
Библиотека
sentence-transformers
Опубликована
21 июл 2026

bahith-arabic-retrieval-4b

ЭмбеддингиТекст → embedding9 профессий

Арабская модель эмбеддингов для семантического поиска релевантных документов и фрагментов по запросам, включая RAG.

112скачиваний за 30 дней1лайквеса обновлены21 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

bahith-arabic-retrieval-4b — текстовая модель эмбеддингов для поиска релевантных арабских фрагментов по запросу, созданная дообучением Qwen/Qwen3-Embedding-4B. Она предназначена для семантического поиска, извлечения документов и построения RAG-систем на арабских корпусах. В карточке приведены результаты оценки на арабских задачах поиска: модель показывает nDCG@10 0,7971 на MIRACLRetrievalHardNegatives и поддерживает сравнение эмбеддингов по косинусному сходству.

Модель имеет плотную архитектуру Qwen3, около 3,7 млрд параметров и контекст до 40 960 токенов по метаданным. README указывает максимальную длину последовательности 512 токенов и размер эмбеддинга 2560 измерений; благодаря Matryoshka Representation Learning вектор можно сокращать до 1024, 512, 256 или 128 измерений. Встроенный инструктивный шаблон применяется для запросов, а для документов отдельный шаблон не задан. Модель рассчитана прежде всего на современный стандартный арабский язык; диалекты представлены ограниченно. Лицензия — Apache-2.0.

Сценарии применения

  • поиск арабских документов по естественно-языковому запросу
  • извлечение фрагментов для RAG по арабской базе знаний
  • ранжирование арабских пассажей по релевантности запросу
  • семантический поиск по корпусам на современном стандартном арабском языке

Ограничения

Модель обучалась преимущественно на современном стандартном арабском, поэтому качество на диалектах может быть ограниченным. Перед использованием в конкретной предметной области следует проверить качество поиска на собственных данных.

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

bahith-arabic-retrieval-4b

Arabic passage-retrieval embedding model (query → relevant passage), fine-tuned from Qwen/Qwen3-Embedding-4B with Matryoshka Representation Learning.

On MIRACLRetrievalHardNegatives (Arabic) it reaches 0.7971 nDCG@10, outperforming intfloat/multilingual-e5-large (0.7658) — while its embeddings stay truncatable via Matryoshka Representation Learning.

Highlights

  • 🇸🇦 Arabic-first retrieval — trained on human-annotated MSA data (MIRACL, Mr. TyDi).
  • 🪆 Matryoshka embeddings — truncate to any of [2560, 1024, 512, 256, 128] dimensions (and re-normalize) with graceful quality loss.
  • 🎯 Instruction-aware queries — the correct query/document prompts are baked in and applied automatically.
  • 📐 Output dimension: 2560 · Max sequence length: 512 · Similarity: cosine.

Results

Evaluated with MTEB on Arabic retrieval tasks (nDCG@10 / MRR@10). Baselines are run under identical conditions.

MIRACLRetrievalHardNegatives — subset ar, split dev

ModelnDCG@10MRR@10dim
qwen3-embedding-4b-arabic-matryoshka (ours)0.79710.81382560
qwen3-embedding-4b-arabic-matryoshka (ours) @dim=10240.79300.80911024
qwen3-embedding-4b-arabic-matryoshka (ours) @dim=2560.76970.7877256
intfloat/multilingual-e5-large0.76580.79891024
qwen3-embedding-4b-arabic-matryoshka (ours) @dim=1280.74690.7729128

SadeemQuestionRetrieval — subset default, split test

ModelnDCG@10MRR@10dim
intfloat/multilingual-e5-large0.69730.59551024
qwen3-embedding-4b-arabic-matryoshka (ours)0.69330.58422560
qwen3-embedding-4b-arabic-matryoshka (ours) @dim=10240.69110.58791024
qwen3-embedding-4b-arabic-matryoshka (ours) @dim=2560.67450.5652256
qwen3-embedding-4b-arabic-matryoshka (ours) @dim=1280.66160.5612128

Usage

Install the latest Sentence Transformers:

pip install -U sentence-transformers

Encode queries and documents (prompts are applied automatically):

from sentence_transformers import SentenceTransformer

model = SentenceTransformer("mabdulaziz499/bahith-arabic-retrieval-4b")

# Queries and documents — the correct prompts are stored in the model and applied
# automatically by encode_query / encode_document (no manual prefixing needed).
queries = [
    "ما هي عاصمة مصر؟",
    "من كتب رواية موسم الهجرة إلى الشمال؟",
]
documents = [
    "القاهرة هي عاصمة جمهورية مصر العربية وأكبر مدنها وأكثرها سكانًا.",
    "موسم الهجرة إلى الشمال رواية للكاتب السوداني الطيب صالح صدرت عام 1966.",
    "برج إيفل معلم شهير يقع في مدينة باريس عاصمة فرنسا.",
]

query_embeddings = model.encode_query(queries)
document_embeddings = model.encode_document(documents)

# Cosine similarity: rows = queries, columns = documents
similarities = model.similarity(query_embeddings, document_embeddings)
print(similarities)

Matryoshka: smaller embeddings

# Matryoshka: truncate embeddings to a smaller dimension for cheaper storage / faster
# search. The output is re-normalized automatically, so cosine similarity still works.
from sentence_transformers import SentenceTransformer

model = SentenceTransformer("mabdulaziz499/bahith-arabic-retrieval-4b", truncate_dim=256)  # any supported dim
embeddings = model.encode_document(["نص عربي للفهرسة والاسترجاع."])
print(embeddings.shape)  # (1, 256)

The prompts stored in the model (and applied by encode_query / encode_document):

  • Query prompt: Instruct: Given a web search query, retrieve relevant passages that answer the query\nQuery:
  • Document prompt: (none)

Choosing an embedding dimension

Matryoshka lets you trade a little accuracy for much cheaper storage and faster search. Pick the smallest dimension that meets your quality bar (see the Results table above).

dimrelative size
2560100% of full size
102440% of full size
51220% of full size
25610% of full size
1285% of full size

Model details

Base modelQwen/Qwen3-Embedding-4B
Output dimension2560 (Matryoshka: [2560, 1024, 512, 256, 128])
Max sequence length512
Similarity functioncosine
LanguageArabic (ar)
Librarysentence-transformers

Training details

  • Data: human-annotated Arabic training pairs from MIRACL and Mr. TyDi (query → positive passage).
  • Hard negatives: mined with a strong teacher encoder using rank-range and relative-margin filtering to reduce false negatives.
  • Loss: MatryoshkaLoss wrapping CachedMultipleNegativesRankingLoss (gradient caching for large effective batches with bounded memory), dims [2560, 1024, 512, 256, 128].
  • Schedule: 3 epochs, learning rate 1e-05, cosine schedule with 10% warmup, bf16/fp16 selected by GPU.
  • Model selection: best checkpoint by MIRACL-ar dev nDCG@10 (in-loop InformationRetrievalEvaluator).

Full training, evaluation, and publishing code: github.com/m0d9/arabic-retrieval-embeddings

Intended use & limitations

  • Intended for: Arabic passage / document retrieval, semantic search, and retrieval-augmented generation over Arabic corpora.
  • Limitations: trained primarily on Modern Standard Arabic; dialectal coverage is limited. As with any retriever, validate on your own domain before production use.

License

Released under apache-2.0, matching the base model Qwen/Qwen3-Embedding-4B.

Acknowledgements

Built on Qwen/Qwen3-Embedding-4B; trained and evaluated with sentence-transformers and MTEB.

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
Qwen3Model
Ревизия весов
eb3eef4

0 моделей