/ Модель

Характеристики

Контекст
8 192 токена
Параметры
202 млн
Лицензия
MIT
Архитектура
gemma3_text · dense
Библиотека
sentence-transformers
Опубликована
19 янв 2026

embeddingmagibu-200m

ЭмбеддингиТекст → embedding9 профессий

Многоязычная модель эмбеддингов на 202,1 млн параметров для семантического поиска и сравнения текстов с акцентом на турецкий язык.

1 161скачиваний за 30 дней13лайковвеса обновлены2 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

embeddingmagibu-200m — модель эмбеддингов предложений, разработанная М. Али Байрамом, Бану Дири и Савашем Йылдырымом как артефакт исследования по адаптации многоязычных эмбеддингов для турецкого языка. Это плотная текстовая модель семейства Gemma 3 Text с примерно 202,1 млн параметров, реализованная в формате SentenceTransformers. Она выдаёт нормализованные векторы размерности 768 и принимает последовательности длиной до 8192 токенов.

Модель предназначена прежде всего для семантического поиска и извлечения документов на турецком языке, в том числе для RAG, а также для оценки сходства предложений, кластеризации и классификации на основе эмбеддингов. Она адаптирована с помощью модификации многоязычного токенизатора и дистилляции эмбеддингов от учительской модели; обучение проводилось в многоязычном режиме с охватом 40 языков. Основной язык — турецкий, но модель подходит и для многоязычных сценариев с акцентом на турецкий.

В репозитории указана лицензия MIT. Ограничения: качество на языках помимо турецкого может различаться, а обработка длинных входов может требовать значительной видеопамяти; для длинных документов может быть полезно разбиение на фрагменты. Результаты также зависят от настроек оценки и формата запросов.

Сценарии применения

  • семантический поиск по турецким документам
  • подбор контекста для RAG на турецком языке
  • поиск релевантных фрагментов в длинных текстах
  • оценка семантического сходства предложений
  • кластеризация текстов по эмбеддингам
  • классификация текстов с использованием эмбеддингов

Ограничения

Качество на языках помимо турецкого может различаться; обработка очень длинных входов требует больше видеопамяти, а для длинных документов может понадобиться разбиение на фрагменты. Результаты зависят от настроек оценки и форматирования запросов.

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

embeddingmagibu-200m.png

embeddingmagibu-200m

embeddingmagibu-200m is a Turkish-focused, multilingual sentence embedding model developed through cross-lingual tokenizer surgery, teacher-model cloning, and offline embedding distillation.

This model is released as part of the artifacts for the paper:

Adapting Multilingual Embedding Models to Turkish via Cross-Lingual Tokenizer Surgery and Offline Distillation
M. Ali Bayram, Banu Diri, Savaş Yıldırım
arXiv: https://arxiv.org/abs/2605.29992

The model produces 768-dimensional L2-normalized sentence embeddings and supports an 8,192-token context window, making it suitable for Turkish semantic search, retrieval-augmented generation, long-document representation, clustering, classification, and semantic textual similarity tasks.

Although the model is optimized for Turkish, it was adapted from a multilingual teacher and trained with a multilingual distillation setup, making it useful for Turkish-centered multilingual NLP scenarios.

Key Features

  • Turkish-focused sentence embedding model
  • Multilingual support through a 40-language adaptation setup
  • 8,192-token context length
  • 768-dimensional normalized embeddings
  • Approximately 200M parameters
  • SentenceTransformers-compatible architecture
  • Trained through offline embedding distillation
  • Built with a Turkish-optimized multilingual tokenizer
  • Designed for semantic search, RAG, clustering, classification, and STS

Associated Paper

This model is one of the released artifacts of the following paper:

Adapting Multilingual Embedding Models to Turkish via Cross-Lingual Tokenizer Surgery and Offline Distillation
arXiv: https://arxiv.org/abs/2605.29992

The paper introduces an efficient adaptation pipeline for building Turkish-focused embedding models without expensive full pretraining. The pipeline consists of:

  1. Constructing a Turkish-optimized multilingual tokenizer
  2. Cloning the teacher embedding model while preserving transformer backbone weights
  3. Distilling from precomputed teacher embeddings using an offline embedding dataset

Intended Use

This model is suitable for:

  • Turkish semantic search
  • Retrieval-augmented generation
  • Long-context retrieval
  • Semantic textual similarity
  • Sentence and document embedding
  • Clustering
  • Classification using embeddings
  • Multilingual retrieval with Turkish-centered applications
  • Low-resource and morphologically rich language NLP research

Model Performance

1. Detailed TR-MTEB Results

The model was evaluated on Turkish embedding benchmark tasks. The table below summarizes the detailed task-level results.

CategoryTaskScore
STSSTSbTR77.5
NLISnliTr60.8
NLIXNLI76.0
RetrievalSquadTRRetrieval62.3
RetrievalMSMarcoTRRetrieval57.4
RetrievalTQuadRetrieval79.5
ClassificationTHYSentimentClassification59.5
ClassificationTSTimelineNewsCategoryClassification58.7
ClassificationTurkish75NewsClassification90.7
ClassificationTurkishIronyClassification52.6
ClassificationTurkishMovieSentimentClassification71.9
ClassificationTurkishNewsCategoryClassification88.8
ClassificationTurkishOffensiveLanguageClassification63.9
ClassificationTurkishProductSentimentClassification60.9
ClusteringTurkishAbstractCorpusClustering58.9
ClusteringTurkishColumnWritingClustering63.6
Bitext MiningWMT16BitextMining97.1
OtherArguAnaTR45.3
OtherNFCorpusTR10.7
OverallAverage69.5

2. Version Comparison: embeddingmagibu-200m vs embeddingmagibu-152m

The table below compares embeddingmagibu-200m with the previous embeddingmagibu-152m version on shared evaluation tasks.

Taskembeddingmagibu-200membeddingmagibu-152mDifference
Average69.567.0+2.5
STSbTR77.575.1+2.4
SnliTr60.855.4+5.4
SquadTRRetrieval62.368.7-6.4
THYSentimentClassification59.551.0+8.5
TSTimelineNewsCategoryClassification58.760.8-2.1
Turkish75NewsClassification90.792.7-2.0
TurkishAbstractCorpusClustering58.961.8-2.9
TurkishColumnWritingClustering63.661.8+1.8
TurkishIronyClassification52.648.4+4.2
TurkishMovieSentimentClassification71.967.3+4.6
TurkishNewsCategoryClassification88.890.8-2.0
TurkishOffensiveLanguageClassification63.959.6+4.3
TurkishProductSentimentClassification60.959.1+1.8
WMT16BitextMining97.191.9+5.2
XNLI76.060.8+15.2

Model Architecture

This model uses the SentenceTransformers format with the following pipeline. The max_seq_length value is set to 8192.

SentenceTransformer(
  (0): Transformer({'max_seq_length': 8192, 'do_lower_case': False}) with Transformer model: Gemma3TextModel
  (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True})
  (2): Dense({'in_features': 768, 'out_features': 3072, 'bias': False, 'activation_function': 'torch.nn.modules.linear.Identity'})
  (3): Dense({'in_features': 3072, 'out_features': 768, 'bias': False, 'activation_function': 'torch.nn.modules.linear.Identity'})
  (4): Normalize()
)

Training and Adaptation Pipeline

The model was not trained from scratch. Instead, it was developed using an efficient three-stage adaptation pipeline.

1. Tokenizer Surgery

A Turkish-optimized multilingual tokenizer was constructed with a vocabulary size of 131,072 tokens.

The goal of this step was to improve Turkish tokenization efficiency while keeping multilingual capacity. This was done by pruning redundant tokens from the teacher vocabulary and incorporating multilingual tokens using frequency analysis over a balanced 40-language corpus.

2. Teacher Model Cloning

Instead of randomly initializing the full student model, the transformer backbone weights of the teacher model were preserved. A compatible embedding table was initialized for the new vocabulary through mean-composition token mapping.

This allows the student model to inherit the teacher model's representational capacity while adapting its vocabulary to Turkish and multilingual usage.

3. Offline Embedding Distillation

The student model was trained to approximate the teacher embedding space using precomputed teacher vectors.

This avoids online teacher inference during training, making the process faster, cheaper, and easier to reproduce. The distillation objective uses embedding-space similarity, such as cosine similarity, between student outputs and stored teacher embeddings.

The associated precomputed embedding dataset is available here:

Evaluation

STSbTR Results

The model was evaluated on STSbTR, a Turkish semantic textual similarity benchmark.

ModelPearsonSpearman
intfloat/multilingual-e5-large-instruct0.82750.8129
trmteb/turkish-embedding-model-fine-tuned0.82150.8061
embeddingmagibu-200m0.81990.7980
ytu-ce-cosmos/turkish-e5-large0.80900.7906
sentence-transformers/paraphrase-multilingual-MiniLM-L12-v20.78840.7659
google/embeddinggemma-300m0.73910.7194

These results show that embeddingmagibu-200m performs strongly on Turkish semantic textual similarity and improves over the teacher model on this benchmark.

TR-MTEB Leaderboard Comparison

RankModelAvgSTSNLIRetrievalClassificationClusteringBitextOther
1intfloat/multilingual-e5-large-instruct72.881.252.572.773.051.356.884.7
2intfloat/multilingual-e5-large72.381.255.872.680.161.158.188.6
3ytu-ce-cosmos/turkish-e5-large72.280.054.870.976.450.858.784.1
4newmindai/TurkEmbed4STS71.485.563.781.069.953.756.084.6
5google/embeddinggemma-300m71.072.954.767.673.3---
6selmanbaysan/turkish embedding model fine tuned70.578.463.280.058.151.757.280.4
7sentence-transformers/paraphrase-multilingual-mpnet-base-v269.882.260.782.858.046.251.565.9
8alibaba-NLP/gte-multilingual-base69.880.760.375.768.656.356.881.9
9alibayram/embeddingmagibu-200m69.577.560.876.062.3-57.479.5
10intfloat/multilingual-e5-base69.578.454.068.876.956.057.186.9

Usage

Installation

pip install -U sentence-transformers

Basic Usage

from sentence_transformers import SentenceTransformer

model = SentenceTransformer(
    "alibayram/embeddingmagibu-200m",
    trust_remote_code=True
)

sentences = [
    "Bugün hava çok güzel.",
    "Dışarısı güneşli.",
    "Uzun bağlam gerektiren çok detaylı bir hukuki veya teknik metin..."
]

embeddings = model.encode(sentences, normalize_embeddings=True)

print(embeddings.shape)  # (3, 768)

Similarity Computation

similarities = embeddings @ embeddings.T
print(similarities)

When embeddings are normalized, dot product is equivalent to cosine similarity.

Query and Document Encoding

The model supports query/document-style encoding through SentenceTransformers.

from sentence_transformers import SentenceTransformer

model = SentenceTransformer(
    "alibayram/embeddingmagibu-200m",
    trust_remote_code=True
)

query = "Yapay zeka modellerinde distillation nedir?"

documents = [
    "Distillation, büyük bir öğretmen modelin bilgisinin daha küçük bir öğrenci modele aktarılmasıdır.",
    "Yapay zeka günümüzde çok popüler.",
]

query_embedding = model.encode_query(query)
document_embeddings = model.encode_document(documents)

scores = model.similarity(query_embedding, document_embeddings)
print(scores)

Limitations

  • Although the model supports an 8,192-token context window, very long inputs may require more GPU memory.
  • For long documents, chunking may still be useful depending on the downstream retrieval setup.
  • The model is optimized for Turkish-centered use cases, but multilingual behavior may vary across languages.
  • The quality of the distilled model depends on the teacher model and the multilingual distillation corpus.
  • Benchmark results may vary depending on evaluation settings, pooling behavior, precision, and prompt/query formatting.

Related Resources

Paper:

Dataset:

Project page:

GitHub repository:

Citation

If you use this model in academic work, please cite the associated paper:

@article{bayram2026embeddingmagibu,
  title={Adapting Multilingual Embedding Models to Turkish via Cross-Lingual Tokenizer Surgery and Offline Distillation},
  author={Bayram, M. Ali and Diri, Banu and Yıldırım, Savaş},
  journal={arXiv preprint arXiv:2605.29992},
  year={2026},
  url={https://arxiv.org/abs/2605.29992}
}

You may also cite the model repository:

@misc{embeddingmagibu_200m_2026,
  title={embeddingmagibu-200m: Long-Context Turkish Sentence Embeddings},
  author={Bayram, M. Ali},
  year={2026},
  url={https://huggingface.co/alibayram/embeddingmagibu-200m}
}

Model Card Authors and Contact

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
Gemma3TextModel
Ревизия весов
1647e5b

0 моделей