/ Модель

Характеристики

Контекст
8 194 токена
Параметры
659 млн
Лицензия
MIT
Архитектура
xlm-roberta · dense
Базовая модель
bge-m3
Библиотека
sentence-transformers
Опубликована
15 мар 2026

bge-m3-bangla

ЭмбеддингиТекст → embedding10 профессий

Дообученная на данных бенгальского языка модель эмбеддингов для семантического поиска и сопоставления текста на бенгальском письме, Banglish и английском.

167скачиваний за 30 дней0лайковвеса обновлены15 мар 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

BGE-M3 Bangla Cross-Script Fine-tuned — дообученная Md Nahid Hasan модель BAAI/bge-m3 для семантического поиска по текстам на бенгальском языке и сопоставления разных вариантов записи. Модель на архитектуре XLM-RoBERTa содержит 658,7 млн параметров, принимает текст и формирует эмбеддинги для поиска и сравнения сходства предложений. В карточке указано контекстное окно 8194 токена; используется библиотека sentence-transformers.

Модель рассчитана на сопоставление текста на бенгальском письме, романизированного Banglish, смешанного бенгальско-английского текста, разговорных и содержащих опечатки запросов, а также английского текста с тем же смыслом. Подходит для поиска по FAQ и документам, межскриптового извлечения информации, подготовки контекста для RAG, кластеризации и дедупликации.

В приведённых результатах дообученная версия улучшает кросс-скриптовое сходство относительно базовой BGE-M3. Ограничения: обучение преимущественно ориентировано на домены Бангладеш; модель не оптимизирована для длинных документов, а сходство формального и разговорного бенгальского несколько снизилось. Лицензия — MIT.

Сценарии применения

  • Поиск бенгальских документов по запросам, набранным латиницей
  • Поиск по FAQ и государственным сервисам на бенгальском языке
  • Подбор контекста для бенгальского чат-бота с RAG
  • Сопоставление бенгальских и английских запросов с одинаковым смыслом
  • Кластеризация и удаление дубликатов текста между разными письменностями

Ограничения

Обучение преимущественно ориентировано на домены Бангладеш; модель не оптимизирована для длинных документов. Сходство формального и разговорного бенгальского ниже, чем у базовой модели.

Для каких профессий подходит10

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

BGE-M3 Bangla Cross-Script Fine-tuned

A fine-tuned version of BAAI/bge-m3 optimized for Bangla cross-script semantic search. The model understands and aligns text across:

  • Pure Bangla (বাংলা)
  • Banglish (Romanized Bangla)
  • Mixed code-switching (Bangla + English)
  • Informal/colloquial Bangla
  • Noisy/typo-heavy text
  • English (same intent)

Key Results

MetricBase BGE-M3Fine-tunedImprovement
Avg cross-script similarity0.6890.788+0.098
Bangla ↔ Banglish0.6520.861+0.209
Banglish ↔ English0.6800.919+0.239
Typos ↔ English0.6120.856+0.244
Dev triplet accuracy95.30%98.74%+3.44%
Retrieval Hit@11.0001.000—

Usage

from sentence_transformers import SentenceTransformer

model = SentenceTransformer("nahidstaq/bge-m3-bangla")

# These all mean the same thing - the model knows that!
sentences = [
    "আজকের আবহাওয়া কেমন?",           # Pure Bangla
    "ajker weather kemon?",             # Banglish
    "আজকে weather কেমন হবে?",          # Mixed
    "what is today's weather?",         # English
]

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

# Compute similarity
from sentence_transformers.util import cos_sim
print(cos_sim(embeddings, embeddings))
# All pairs will show high similarity (>0.85)

Training Details

  • Base model: BAAI/bge-m3 (568M params, XLM-RoBERTa)
  • Method: LoRA fine-tuning (rank=32, alpha=64)
  • LoRA targets: query, key, value, dense layers
  • Loss: MultipleNegativesRankingLoss (temperature=0.05)
  • Training data: 39,082 examples
    • 27,082 augmented cross-script pairs (6 script variants per intent)
    • 12,000 synthetic cross-script parallel pairs generated using Gemini 2.5 Flash and Claude Opus 4.5
    • 10 domains: food, travel, health, tech, education, sports, society, ecommerce, government, agriculture
  • Epochs: 3
  • Batch size: 8
  • GPU: NVIDIA RTX 4090 (24GB)
  • Training time: ~3 hours
  • Best checkpoint: 98.74% triplet accuracy on dev set

Intended Use

  • Semantic search over Bangla content (government services, FAQs, documents)
  • Cross-script information retrieval (user types in Banglish, retrieves Bangla docs)
  • Bangla chatbot retrieval-augmented generation (RAG)
  • Bangla text clustering and deduplication across scripts

Limitations

  • Trained primarily on Bangladesh-specific domains (government, daily life, services)
  • Within-group coherence is lower than base model (by design — embeddings are more discriminative)
  • Pure Bangla ↔ informal Bangla similarity slightly decreased (-0.12)
  • Not optimized for long documents (best for queries and short passages)

Credits

Built by Md Nahid Hasan (@nahidstaq | nahidscript.com).

Based on BAAI/bge-m3.

Citation

@misc{bge-m3-bangla-cross-script,
  author = {Hasan, Md Nahid},
  title = {BGE-M3 Bangla Cross-Script Fine-tuned},
  year = {2025},
  url = {https://huggingface.co/nahidstaq/bge-m3-bangla},
  note = {Fine-tuned on cross-script Bangla data for semantic search}
}

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
XLMRobertaModel
Ревизия весов
e0134b3

0 моделей