/ Модель

Характеристики

Контекст
512 токенов
Параметры
265 млн
Лицензия
Apache 2.0
Архитектура
bert · dense
Базовая модель
muril-base-cased
Опубликована
2 июл 2026

nepali-embedder-v1

ЭмбеддингиТекст → embedding7 профессий

Модель превращает непальские тексты в эмбеддинги для семантического поиска, сопоставления предложений и поиска документов в RAG-системах.

385скачиваний за 30 дней2лайкавеса обновлены2 июл 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

nepali-embedder-v1 — модель эмбеддингов предложений, разработанная для поиска и сравнения текстов на непальском языке. Она основана на BERT-энкодере google/muril-base-cased с mean pooling и дообучена на парах заголовков, вводных абзацев и разделов непальской Википедии. Модель содержит 264,8 млн параметров, принимает текст длиной до 512 токенов и выдаёт векторные представления для семантического поиска и оценки сходства.

Модель предназначена для поиска документов на непальском языке, семантического поиска, RAG, кластеризации и дедупликации текстов. README сообщает о хороших результатах на внутренних тестах retrieval и устойчивости к запросам на романизированном непальском при поиске по тексту деванагари. Лицензия — Apache-2.0.

Известные ограничения: модель может не различать утверждения с отрицанием; обучение на энциклопедических текстах может снижать качество на разговорных и узкоспециализированных данных. Англо-непальский поиск работает частично и не был отдельной целью обучения; юридическая, медицинская и научная терминология представлена ограниченно.

Сценарии применения

  • семантический поиск по непальской Википедии и другим текстовым корпусам
  • поиск документов на непальском языке в RAG-системе
  • сопоставление непальских предложений по смыслу
  • кластеризация и дедупликация непальских текстов
  • поиск по тексту деванагари с запросами на романизированном непальском

Ограничения

Модель может ненадёжно различать отрицания; англо-непальский поиск обучением специально не поддерживался. Энциклопедические данные обучения и недостаток узкоспециализированной лексики могут ограничивать качество на разговорных, юридических, медицинских и научных текстах.

Для каких профессий подходит7

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

nepali-embedder-v1

#1 ranked open Nepali embedding model — benchmarked against 12 open embedding models including bge-m3, qwen3-embedding, snowflake-arctic-embed2, nomic-embed-text-v2-moe, and all existing Nepali-specific models.

Built natively for Nepali language retrieval, fine-tuned on 56k Nepali Wikipedia pairs using google/muril-base-cased as the base encoder.


Benchmark Results

Evaluated on standard Nepali semantic retrieval and four Nepali-specific stress tests.
Gap = Match Score − Unrelated Score (higher = better discrimination).

Standard Retrieval Gap ↑

RankModelGapParams
🥇nepali-embedder-v1 (this model)0.4277238M
🥈jangedoo/all-MiniLM-L6-v2-nepali0.338266M
🥉universalml/Nepali_Embedding_Model0.2784560M
4Yunika/sentence-transformer-nepali0.2581238M
5qwen3-embedding:0.6b0.2186600M
6bge-m30.2092567M
7embeddinggemma0.1924300M
8nomic-embed-text-v2-moe0.1834MoE
9paraphrase-multilingual0.1779278M
10snowflake-arctic-embed20.1509568M
11granite-embedding:278m0.1437278M
12mxbai-embed-large0.0560335M

Nepali-Specific Stress Tests ↑

Categorynepali-v1bge-m3qwen3-0.6bYunikauniversalml
Code-Switching (Roman↔Devanagari)0.4900.1010.3330.2630.289
Entity Sensitivity0.6050.2400.2750.2560.239
Length Robustness0.6740.1360.2390.3130.260
Negation-0.083-0.022-0.190-0.159-0.093

Key findings: This model is the only one that correctly handles Romanized Nepali ↔ Devanagari code-switching with a positive delta of 0.490 — all other models score below 0.35 on this task. Entity discrimination (0.605) and long-document robustness (0.674) are both best-in-class across all 12 models tested. Negation is a known limitation shared across all Nepali and multilingual embedding models.


Usage

from sentence_transformers import SentenceTransformer

model = SentenceTransformer("premmm/nepali-embedder-v1")

# Single sentence
embedding = model.encode("नेपालको राजधानी काठमाडौं हो।", normalize_embeddings=True)

# Semantic similarity
sentences = [
    "नेपालको राजधानी काठमाडौं हो।",
    "काठमाडौं नेपालको सबैभन्दा ठूलो शहर हो।",
]
embeddings = model.encode(sentences, normalize_embeddings=True)

# Retrieval (query vs passages)
from sentence_transformers import util

query = "नेपालको राजधानी कहाँ छ?"
passages = [
    "काठमाडौं नेपालको राजधानी तथा सबैभन्दा ठूलो शहर हो।",
    "पोखरा नेपालको दोस्रो ठूलो शहर हो।",
    "लुम्बिनी गौतम बुद्धको जन्मस्थल हो।",
]

q_emb = model.encode(query, normalize_embeddings=True)
p_emb = model.encode(passages, normalize_embeddings=True)
scores = util.cos_sim(q_emb, p_emb)
print(scores)  # tensor([[0.7139, 0.4821, 0.3102]])

Use with LangChain / RAG pipelines

from langchain_huggingface import HuggingFaceEmbeddings

embeddings = HuggingFaceEmbeddings(
    model_name="premmm/nepali-embedder-v1",
    encode_kwargs={"normalize_embeddings": True}
)

Use with Ollama (self-hosted)

The model can be converted and served locally — see the sentence-transformers documentation for ONNX export if needed for production inference.


Model Details

PropertyValue
Base modelgoogle/muril-base-cased
ArchitectureBERT (transformer encoder + mean pooling)
Parameters238M
Embedding dimension768
Max sequence length256 tokens
LanguageNepali (ne)
LicenseApache 2.0

Training Details

Data

  • Source: Nepali Wikipedia via wikimedia/wikipedia (config: 20231101.ne)
  • Total pairs: 56,244 (after deduplication)
    • 27,083 title ↔ intro paragraph pairs
    • 29,175 section heading ↔ section body pairs
  • Pair construction: Positive pairs only; in-batch negatives used during training

Training Configuration

  • Loss: MultipleNegativesRankingLoss (in-batch negatives)
  • Epochs: 3
  • Batch size: 16
  • Warmup steps: 10% of total steps
  • Optimizer: AdamW (sentence-transformers default)
  • Hardware: NVIDIA T4 (Google Colab)
  • Training time: ~2.75 hours

Evaluation (Internal)

Evaluated on a held-out set of 562 pairs + 500 distractor passages using InformationRetrievalEvaluator:

MetricFinal Value
NDCG@100.9621
MRR@100.9520
Accuracy@10.9270
Recall@100.9929

Intended Use

  • Nepali document retrieval — RAG pipelines for Nepali documents
  • Semantic search — search over Nepali text corpora
  • Sentence similarity — clustering and deduplication of Nepali text
  • Legal document retrieval — court rulings, government documents (v2 will include domain fine-tuning)
  • Cross-script retrieval — handles Romanized Nepali queries against Devanagari passages

Known Limitations

  • Negation: Like all current Nepali embedding models, does not reliably distinguish negated statements (e.g., "X छ" vs "X छैन")
  • Cross-lingual: English → Nepali retrieval works partially but was not explicitly trained
  • Domain: Trained on encyclopedic Wikipedia text; may underperform on highly technical or colloquial domains
  • Vocabulary: Legal, medical, and scientific Nepali terminology is underrepresented

Roadmap

VersionPlanned Additions
v2Romanized Nepali ↔ Devanagari training pairs (code-switching)
v2Negation-aware hard negative pairs
v2Synthetic query augmentation (~2k LLM-generated triplets)
v2Legal domain fine-tuning (10k Nepali court ruling pairs)
v3Hard negative mining using v2 model
v3MatryoshkaLoss for variable-dimension embeddings

Citation

If you use this model in your research or project, please cite:

@misc{pathak2026nepaliembedder,
  author       = {Premanand Pathak},
  title        = {nepali-embedder-v1: A Native Nepali Sentence Embedding Model},
  year         = {2026},
  publisher    = {HuggingFace},
  howpublished = {\url{https://huggingface.co/premmm/nepali-embedder-v1}},
}

Acknowledgements

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
BertModel
Ревизия весов
60b057f

0 моделей