/ Модель

Характеристики

Контекст
8 194 токена
Параметры
659 млн
Лицензия
Apache 2.0
Архитектура
xlm-roberta · dense
Базовая модель
bge-m3
Опубликована
9 июн 2025

nmixx-bge-m3

ЭмбеддингиТекст → embedding4 профессии

Дообученная на финансовых данных модель эмбеддингов для оценки семантической близости корейских и английских финансовых текстов.

98скачиваний за 30 дней4лайкавеса обновлены15 июл 2025

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

NMIXX-BGE-M3 — модель SentenceTransformer на базе BAAI/bge-m3, дообученная командой NMIXX-Fin для семантического сопоставления корейских финансовых текстов. Она формирует векторные представления предложений и рассчитана прежде всего на оценку семантической близости в финансовом домене; поддерживает корейский и английский языки.

Модель использует архитектуру XLM-RoBERTa, содержит 658,7 млн параметров и выдаёт эмбеддинги размерностью 1024. Максимальная длина последовательности — 8194 токена по метаданным; README указывает предел 8192 и отмечает, что стабильное качество гарантируется только до 2048 токенов. Модель обучена с triplet loss и подбором сложных негативных примеров на датасете NMIXX_train. Лицензия — Apache-2.0.

Сценарии применения

  • сравнение сходства корейских финансовых предложений
  • поиск похожих финансовых документов на корейском языке
  • сопоставление англоязычных и корейских финансовых текстов
  • семантический поиск по корейским финансовым материалам

Ограничения

Разработчик предупреждает, что модель хорошо работает прежде всего на финансовой оценке семантического сходства; стабильное качество заявлено только для последовательностей до 2048 токенов.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

NMIXX-BGE-M3

Model Image

This repository contains a bge-m3-based SentenceTransformer model fine-tuned with a triplet-loss setup on the nmixx-fin/NMIXX_train dataset. It produces high-quality sentence embeddings for Korean financial text with multilingual capabilities, optimized for semantic similarity tasks in the finance domain.


How to Use

from transformers import AutoTokenizer, AutoModel
import torch
import torch.nn.functional as F

# 1. Load tokenizer & model from Hugging Face Hub
repo_name = "nmixx-fin/nmixx-bge-m3"
tokenizer = AutoTokenizer.from_pretrained(repo_name)
model = AutoModel.from_pretrained(repo_name)

# 2. Move to GPU if available
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model.to(device)
model.eval()

# 3. Prepare input sentences
sentences = [
    "이 모델은 한국 금융 도메인에 특화된 다국어 임베딩을 제공합니다.",
    "NMIXX 데이터셋으로 fine-tuning된 multilingual sentence transformer입니다."
]

# 4. Tokenize
encoded_input = tokenizer(
    sentences,
    padding=True,
    truncation=True,
    max_length=8192,  # BGE-M3 supports longer sequences
    return_tensors="pt"
)
input_ids = encoded_input["input_ids"].to(device)
attention_mask = encoded_input["attention_mask"].to(device)

# 5. Forward pass (token embeddings)
with torch.no_grad():
    model_output = model(input_ids=input_ids, attention_mask=attention_mask)

# 6. CLS Pooling (BGE models use CLS token)
sentence_embeddings = model_output[0][:, 0]  # Use CLS token (first token)

# 7. L2 Normalization
sentence_embeddings = F.normalize(sentence_embeddings, p=2, dim=1)

print("Sentence embeddings shape:", sentence_embeddings.shape)
print(sentence_embeddings.cpu())

Features

  • Multilingual Support: Based on BGE-M3, supporting Korean and English
  • Extended Sequence Length: Supports up to 8192 tokens
  • Korean Financial Domain: Fine-tuned specifically for Korean financial text
  • High Performance: Optimized for semantic similarity tasks in finance

Model Details

  • Base Model: BAAI/bge-m3
  • Fine-tuning Dataset: nmixx-fin/NMIXX_train
  • Training Method: Triplet loss with hard negative mining
  • Embedding Dimension: 1024
  • Max Sequence Length: 8192 tokens (Stable performance can only be guaranteed up to 2048 tokens)

⚠️ Developer's Note: 이거 금융 STS 말고 잘하는 거 없습니다.

@article{lee2025nmixxdomainadaptedneuralembeddings,
  title        = {NMIXX: Domain-Adapted Neural Embeddings for Cross-Lingual eXploration of Finance},
  author       = {Hanwool Lee and Sara Yu and Yewon Hwang and Jonghyun Choi and Heejae Ahn and Sungbum Jung and Youngjae Yu},
  year         = {2025},
  eprint       = {2507.09601},
  archivePrefix= {arXiv},
  primaryClass = {cs.CL},
  url          = {https://arxiv.org/abs/2507.09601},
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
XLMRobertaModel
Ревизия весов
c01ac68

0 моделей