/ Модель

Характеристики

Контекст
514 токенов
Параметры
659 млн
Лицензия
Apache 2.0
Архитектура
xlm-roberta · dense
Опубликована
17 ноя 2023

mmlw-e5-large

ЭмбеддингиТекст → embedding9 профессий

Польский текстовый энкодер на базе E5 для получения эмбеддингов, семантического поиска, сравнения и кластеризации текстов.

1 183скачиваний за 30 дней1лайквеса обновлены12 фев 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 оценки27

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

  • SIB200ClusteringS2S

    main_score

    Результат

    0,0407

    Общий результат 0,0863Общий результат 0,0751Общий результат 0,0512
    MTEB

    Публичная таблицадругая ревизия

  • PawsXPairClassification

    main_score

    Результат

    0,5002

    Общий результат 0,6074Общий результат 0,5353
    MTEB

    Публичная таблицадругая ревизия

  • MLQARetrieval

    main_score

    Результат

    0,3956

    Общий результат 0,405Общий результат 0,1217
    MTEB

    Публичная таблицадругая ревизия

  • SentimentAnalysisHindi

    main_score

    Результат

    0,3561

    MTEB

    Публичная таблицадругая ревизия

  • Tatoeba

    main_score

    Результат

    0,2202

    Общий результат 0,0595Общий результат 0,0358
    MTEB

    Публичная таблицадругая ревизия

  • TRECCOVID

    main_score

    Результат

    0,3898

    MTEB

    Публичная таблицадругая ревизия

  • OpenTenderClassification

    main_score

    Результат

    0,3169

    MTEB

    Публичная таблицадругая ревизия

  • MassiveScenarioClassification

    main_score

    Результат

    0,1928

    Общий результат 0,2524
    MTEB

    Публичная таблицадругая ревизия

  • MultiEURLEXMultilabelClassification

    main_score

    Результат

    0,0372

    Общий результат 0,0317Общий результат 0,0122
    MTEB

    Публичная таблицадругая ревизия

  • MassiveIntentClassification

    main_score

    Результат

    0,3795

    Общий результат 0,4601
    MTEB

    Публичная таблицадругая ревизия

  • PAC

    main_score

    Результат

    0,6377

    MTEB

    Публичная таблицаревизия не подтверждена

  • CUREv1

    main_score

    Результат

    0,3903

    Общий результат 0,3708
    MTEB

    Публичная таблицадругая ревизия

  • IndicGenBenchFloresBitextMining

    main_score

    Результат

    0,0368

    Общий результат 0,1947Общий результат 0,1476Общий результат 0,1374
    MTEB

    Публичная таблицадругая ревизия

  • PublicHealthQA

    main_score

    Результат

    0,5258

    MTEB

    Публичная таблицадругая ревизия

  • ClimateFEVERHardNegatives

    main_score

    Результат

    0,153

    MTEB

    Публичная таблицадругая ревизия

  • WikiClusteringP2P.v2

    main_score

    Результат

    0,1872

    MTEB

    Публичная таблицадругая ревизия

  • SinhalaNewsClassification

    main_score

    Результат

    0,4399

    MTEB

    Публичная таблицадругая ревизия

  • SemRel24STS

    main_score

    Результат

    0,1459

    MTEB

    Публичная таблицадругая ревизия

  • IndicCrosslingualSTS

    main_score

    Результат

    0,0135

    MTEB

    Публичная таблицадругая ревизия

  • LEMBNeedleRetrieval

    main_score

    Результат

    0,02

    MTEB

    Публичная таблицадругая ревизия

  • STS22.v2

    main_score

    Результат

    0,5005

    MTEB

    Публичная таблицадругая ревизия

  • STSBenchmarkMultilingualSTS

    main_score

    Результат

    0,4322

    Общий результат 0,6384
    MTEB

    Публичная таблицадругая ревизия

  • Touche2020Retrieval.v3

    main_score

    Результат

    0,5285

    MTEB

    Публичная таблицадругая ревизия

  • MasakhaNEWSClassification

    main_score

    Результат

    0,808

    MTEB

    Публичная таблицадругая ревизия

  • CodeEditSearchRetrieval

    main_score

    Результат

    0,5301

    MTEB

    Публичная таблицадругая ревизия

  • XPQARetrieval

    main_score

    Результат

    0,1019

    MTEB

    Публичная таблицадругая ревизия

  • Robust04InstructionRetrieval

    main_score

    Результат

    −0,0825

    MTEB

    Публичная таблицадругая ревизия

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

MMLW-e5-large — польский текстовый энкодер, разработанный авторами семейства MMLW. Модель основана на мультиязычном чекпойнте E5 и обучена методом дистилляции знаний на корпусе из 60 миллионов польско-английских пар текстов; учителями служили английские модели FlagEmbeddings (BGE). Архитектура — XLM-RoBERTa, размер — 658,7 млн параметров, выход — векторы эмбеддингов размерностью 1024. Контекст составляет до 514 токенов.

Модель предназначена для семантического поиска и сопоставления текстов, кластеризации и извлечения информации, а также может служить основой для дальнейшего дообучения. Для кодирования запросов требуется префикс «query: », а для документов — «passage: ». В карточке приведены результаты на польских бенчмарках MTEB и PIRB. Доступна по лицензии Apache-2.0.

Сценарии применения

  • семантический поиск по польским документам
  • ранжирование документов по релевантности запросу
  • сравнение смысловой близости польских текстов
  • кластеризация польских и англоязычных текстов
  • извлечение информации из коллекции текстов
  • получение эмбеддингов для последующего дообучения

Ограничения

Для запросов и документов требуются специальные префиксы «query: » и «passage: ». Контекст ограничен 514 токенами; модель ориентирована прежде всего на польский язык, хотя обучалась на польско-английских парах.

Для каких профессий подходит9

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

MMLW (muszę mieć lepszą wiadomość) are neural text encoders for Polish. This is a distilled model that can be used to generate embeddings applicable to many tasks such as semantic similarity, clustering, information retrieval. The model can also serve as a base for further fine-tuning. It transforms texts to 1024 dimensional vectors. The model was initialized with multilingual E5 checkpoint, and then trained with multilingual knowledge distillation method on a diverse corpus of 60 million Polish-English text pairs. We utilised English FlagEmbeddings (BGE) as teacher models for distillation.

Usage (Sentence-Transformers)

⚠️ Our embedding models require the use of specific prefixes and suffixes when encoding texts. For this model, queries should be prefixed with "query: " and passages with "passage: " ⚠️

You can use the model like this with sentence-transformers:

from sentence_transformers import SentenceTransformer
from sentence_transformers.util import cos_sim

query_prefix = "query: "
answer_prefix = "passage: "
queries = [query_prefix + "Jak dożyć 100 lat?"]
answers = [
    answer_prefix + "Trzeba zdrowo się odżywiać i uprawiać sport.",
    answer_prefix + "Trzeba pić alkohol, imprezować i jeździć szybkimi autami.",
    answer_prefix + "Gdy trwała kampania politycy zapewniali, że rozprawią się z zakazem niedzielnego handlu."
]
model = SentenceTransformer("sdadas/mmlw-e5-large")
queries_emb = model.encode(queries, convert_to_tensor=True, show_progress_bar=False)
answers_emb = model.encode(answers, convert_to_tensor=True, show_progress_bar=False)

best_answer = cos_sim(queries_emb, answers_emb).argmax().item()
print(answers[best_answer])
# Trzeba zdrowo się odżywiać i uprawiać sport.

Evaluation Results

  • The model achieves an Average Score of 61.17 on the Polish Massive Text Embedding Benchmark (MTEB). See MTEB Leaderboard for detailed results.
  • The model achieves NDCG@10 of 56.09 on the Polish Information Retrieval Benchmark. See PIRB Leaderboard for detailed results.

Acknowledgements

This model was trained with the A100 GPU cluster support delivered by the Gdansk University of Technology within the TASK center initiative.

Citation

@inproceedings{dadas2024pirb,
  title={PIRB: A Comprehensive Benchmark of Polish Dense and Hybrid Text Retrieval Methods},
  author={Dadas, Slawomir and Pere{\l}kiewicz, Micha{\l} and Po{\'s}wiata, Rafa{\l}},
  booktitle={Proceedings of the 2024 Joint International Conference on Computational Linguistics, Language Resources and Evaluation (LREC-COLING 2024)},
  pages={12761--12774},
  year={2024}
}

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
a7d9af0

0 моделей