/ Модель

Характеристики

Контекст
8 192 токена
Параметры
149 млн
Лицензия
MIT
Архитектура
modernbert · dense
Библиотека
sentence-transformers
Опубликована
18 июн 2026

sci-rus-base4-preview

ЭмбеддингиТекст → embedding5 профессий

Многоязычный ModernBERT-энкодер для построения эмбеддингов и поиска семантически близких научных текстов на русском, английском и китайском языках.

100скачиваний за 30 дней0лайковвеса обновлены25 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

mlsa-iai-msu-lab/sci-rus-base4-preview — многоязычная модель-энкодер для построения векторных представлений научных текстов на русском, английском и китайском языках. Она основана на архитектуре ModernBERT, содержит 148,9 млн параметров и принимает последовательности длиной до 8192 токенов. Модель обучена с нуля на корпусах научных статей и данных о цитировании: сначала с помощью masked language modeling, затем совместно с контрастивным обучением и дистилляцией знаний от Qwen/Qwen3-Embedding-8B. Для неё также обучен специализированный токенизатор, ориентированный на научную терминологию.

Модель предназначена для получения эмбеддингов научных публикаций и сопоставления текстов по смыслу, в том числе между поддерживаемыми языками. Её можно применять для поиска похожих статей, ранжирования научных документов и построения семантического поиска по исследовательским материалам. Она распространяется в формате safetensors по лицензии MIT. Специализация на научных текстах может ограничивать качество на текстах других типов; описание не приводит результатов независимых оценок качества.

Сценарии применения

  • поиск похожих научных статей
  • семантический поиск по научным публикациям
  • сопоставление заголовка статьи с её аннотацией
  • поиск связанных публикаций по цитатам
  • межъязыковой поиск научных текстов

Ограничения

Модель ориентирована на научные тексты, поэтому её качество на материалах других типов может быть ниже. В описании нет результатов независимых оценок качества.

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

mlsa-iai-msu-lab/sci-rus-base4-preview

Model Description

This is a multilingual encoder model designed for scientific text embeddings, supporting Russian, English, and Chinese languages. It is built on the ModernBERT architecture and trained on a large corpus of scientific papers, citations, and co-citations to capture semantic similarity across these languages.

Training Stages

The model was trained from scratch in two stages: Masked Language Modeling (MLM), followed by a joint Contrastive Learning and Knowledge Distillation stage. A custom tokenizer was also trained from scratch to better handle scientific terminology across the three languages.

1. Masked Language Modeling (MLM)

In the first stage, the model was trained from scratch using the MLM objective on 31 million scientific abstracts collected from Elibrary, Semantic Scholar (S2), and ScienceChina.

2. Contrastive Learning + Knowledge Distillation (Joint)

In the second stage, contrastive learning and knowledge distillation are optimized together in a single training run (launched by a distillation training script). The total loss is a weighted combination of an InfoNCE contrastive loss and a KL-divergence distillation loss between the student and teacher pairwise-similarity distributions:

$$\mathcal{L} = (1 - w) \cdot \mathcal{L}{\text{InfoNCE}} + w \cdot \mathcal{L}{\text{KL}}, \quad w = 0.7$$

The student is distilled from the teacher Qwen/Qwen3-Embedding-8B to transfer its representation quality into the compact ModernBERT student. Teacher embeddings are used in offline mode — precomputed per-sample embeddings looked up at training time rather than running the teacher online — with a distillation (softmax) temperature of 0.1.

Training Data & Sampling (Contrastive Stage)

The model is trained on data from three primary sources:

  • Elibrary (Ru-En)
  • Semantic Scholar (S2) (En)
  • ScienceChina (Zh-En)

Two types of datasets were used during training:

  1. Title - Abstract Pairs:

    • Pairs consist of the title and abstract of the same paper.
    • Cross-lingual sampling: Upsampling (8x) is applied to cross-lingual pairs (e.g., Russian Title - English Abstract) to improve multilingual vector space alignment.
  2. Citation and Co-citation Pairs:

    • Pairs consist of two related papers (e.g., Article A cites Article B).
    • Text Selection: For each article, either the title or abstract is randomly selected.
    • Cross-lingual sampling: There is a 50% probability of selecting texts in different languages (if available) to reinforce multilinguality.

Dataset Statistics

Language PairDataset TypeExamplesTokens
ru/entitle-abstract17,727,8174.53B
ru/enco-citation33,682,59018.95B
ru/encitation39,988,29122.91B
zh/entitle-abstract4,643,7202.17B
zh/encitation9,181,5068.89B
entitle-abstract30,561,5369.05B
encitation13,307,2557.35B
enco-citation61,950,49134.20B
Total211,043,206108.04B

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
ef0ee9c

0 моделей