/ Модель

Характеристики

Контекст
512 токенов
Параметры
303 млн
Лицензия
CC BY-SA 4.0
Архитектура
neobert · dense
Базовая модель
robbert-2026
Библиотека
sentence-transformers
Опубликована
9 сен 2026

robbert-2026-retrieval

ЭмбеддингиТекст → embedding

Плотный нидерландский ретривер, преобразующий запросы и документы в эмбеддинги для семантического поиска и сравнения текстов.

43скачиваний за 30 дней2лайкавеса обновлены9 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

RobBERT-2026 Retrieval — нидерландоязычная плотная модель для поиска, разработанная как дообучение RobBERT-2026 на NeoBERT. Она преобразует запросы и документы в эмбеддинги и рассчитана на поиск по смыслу, в том числе на асимметричные пары «запрос — документ» и симметричное сравнение текстов. Для запросов и документов используются префиксы «query: » и «document: », которые можно применять через сохраненные prompts sentence-transformers.

Модель содержит 302,6 млн параметров по метаданным; в README размер базовой модели указан как 275 млн. Используются CLS-пулинг, косинусное сходство и максимальная длина последовательности 512 токенов. Обучение проведено на синтетических запросах к нидерландскому корпусу Common Corpus и наборах сходства NFI. В оценке BEIR-NL модель показала сильнее результаты на некоторых википедийных наборах, но уступила более новым мультиязычным ретриверам, особенно на научных и медицинских данных вне домена обучения.

Модель поддерживает нидерландский язык и выпущена по лицензии CC-BY-SA-4.0, требующей сохранения той же лицензии для производных материалов и атрибуции использованных наборов данных.

Сценарии применения

  • семантический поиск по нидерландским документам
  • поиск релевантных документов по короткому нидерландскому запросу
  • ранжирование документов по соответствию запросу
  • поиск похожих вопросов на нидерландском языке
  • сопоставление текстовых фрагментов по смыслу

Ограничения

Модель обучена преимущественно на нидерландской Википедии и Common Corpus NL, поэтому может хуже работать на научных, медицинских и иных данных вне этого домена. Для качественного поиска следует использовать предусмотренные префиксы query: и document:; максимальная длина последовательности — 512 токенов.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

RobBERT-2026 Retrieval

A Dutch dense retriever fine-tuned from RobBERT-2026, the first EU AI Act–compliant Dutch encoder (NeoBERT architecture, pretrained from scratch on provenance-clean, permissibly-licensed and synthetic data, meaning no web-crawl sourced data at all). It is contrastively fine-tuned on pdelobelle/cc-nl-retrieval (synthetic queries over Common Corpus NL) plus the CC-BY-SA NFI symmetric-similarity sets.

Usage

Trained with query: / document: prefixes; these are stored as the model's prompts, so use prompt_name and they are applied automatically:

from sentence_transformers import SentenceTransformer

model = SentenceTransformer("pdelobelle/robbert-2026-retrieval", trust_remote_code=True)

docs = [
    "Het Atomium is een bouwwerk in Brussel, opgericht voor de Wereldtentoonstelling van 1958.",
    "Fonske, voluit Fons Sapientiae, is een beeld in Leuven van een student die water uit een boek over zijn hoofd giet.",
    "Manneken Pis is een klein bronzen standbeeldje in het centrum van Brussel.",
    "De Grote Markt van Antwerpen is een historisch plein met het stadhuis.",
]
d = model.encode(docs, prompt_name="document")

for query in ["Waar ligt het Atomium?", "Wat stelt het beeld Fonske in Leuven voor?"]:
    q = model.encode([query], prompt_name="query")
    sims = model.similarity(q, d)[0]
    best = int(sims.argmax())
    print(f"{query} -> {docs[best]} ({sims[best]:.2f})")

# Waar ligt het Atomium?                        -> Het Atomium ... (0.56)
# Wat stelt het beeld Fonske in Leuven voor?    -> Fonske ...      (0.65)

Prefixes are required. If you encode without them (or swap them), retrieval quality drops sharply.

Training

Evaluation

Zero-shot on BEIR-NL (Banar et al., 2025; machine-translated Dutch BEIR), nDCG@10.

Compared against similarly-sized multilingual dense retrievers (numbers from Banar et al., 2025):

nfcorpusscifactarguanascidocsNQFEVER
domain, for robbert-2026-retrievaloutoutoutoutinin
multilingual-e5-base (278M)24.1767.2347.0610.5336.06†58.52†
robbert-2026-retrieval (275M)17.8340.7433.729.0120.2654.56
LaBSE (470M)13.5439.0739.156.3211.2412.51
mContriever13.3637.8939.604.9310.5021.51

The domain row is relative to robbert-2026-retrieval, which is trained on Wikipedia + Common Corpus NL: the biomedical/scientific/argument sets are out-of-domain (its hardest footing), NQ and FEVER are in-domain (Wikipedia). The other models have their own, broader training — the † marks cells that Banar et al. (2025) flag as likely contaminated (the model was probably trained on that dataset). On the in-domain sets it clearly beats LaBSE and mContriever and is within range of multilingual-e5-base (whose NQ/FEVER are flagged as contaminated).

This is the tradeoff for clean provenance: it trails the newest multilingual models like mE5, trained on far more, and often web/in-domain data. But is competitive with older multilingual embedders such as LaBSE and mContriever, beating both on nfcorpus and scidocs.

Compliance

Both the base model and this retriever avoid undifferentiated web crawl end to end: RobBERT-2026 is pretrained only on permissibly-licensed / synthetic Dutch text, and this model is fine-tuned only on synthetic queries over Common Corpus NL plus the CC-BY-SA NFI sets. See the base model card for the full data recipe and the EU AI Act rationale.

Licensing. Because the NFI fine-tuning sets are CC-BY-SA-4.0, this retriever is released under CC-BY-SA-4.0 (ShareAlike) and attributes them (see below). The base RobBERT-2026 is unaffected and releaed under MIT license.

Citation

To cite this release:

@misc{delobelle2026robbert2026retrieval,
    title        = {RobBERT-2026 Retrieval},
    author       = {Delobelle, Pieter},
    year         = {2026},
    howpublished = {\url{https://huggingface.co/pdelobelle/robbert-2026-retrieval}}
}

RobBERT lineage:

@inproceedings{delobelle2020robbert,
    title = "{R}ob{BERT}: a {D}utch {R}o{BERT}a-based {L}anguage {M}odel",
    author = "Delobelle, Pieter and Winters, Thomas and Berendt, Bettina",
    booktitle = "Findings of the Association for Computational Linguistics: EMNLP 2020",
    year = "2020",
    url = "https://arxiv.org/abs/2001.06286"
}

@article{remy2023tiktotok,
    title = {Tik-to-Tok: Translating Language Models One Token at a Time: An Embedding Initialization Strategy for Efficient Language Adaptation},
    author = {Remy, Fran{\c{c}}ois and Delobelle, Pieter and Berendt, Bettina and Demuynck, Kris and Demeester, Thomas},
    journal = {arXiv preprint arXiv:2310.03477},
    year = {2023}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · sentence-transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
NeoBERT
Ревизия весов
ea2e082

0 моделей