/ Модель

Характеристики

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

mmlw-roberta-base

ЭмбеддингиТекст → embedding9 профессий

Польский энкодер RoBERTa, создающий текстовые эмбеддинги для семантического поиска, сравнения и кластеризации.

10 718скачиваний за 30 дней3лайкавеса обновлены22 сен 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 оценки28

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

  • IndicGenBenchFloresBitextMining

    main_score

    Результат

    0,0357

    Общий результат 0,0835Общий результат 0,072Общий результат 0,0697
    MTEB

    Публичная таблицадругая ревизия

  • SIB200ClusteringS2S

    main_score

    Результат

    0,034

    Общий результат 0,0873Общий результат 0,0666Общий результат 0,0636
    MTEB

    Публичная таблицадругая ревизия

  • WikipediaRerankingMultilingual

    main_score

    Результат

    0,3253

    MTEB

    Публичная таблицадругая ревизия

  • DutchNewsArticlesClusteringS2S

    main_score

    Результат

    0,138

    MTEB

    Публичная таблицадругая ревизия

  • Tatoeba

    main_score

    Результат

    0,0282

    Общий результат 0,0827Общий результат 0,0461Общий результат 0,0444
    MTEB

    Публичная таблицадругая ревизия

  • SprintDuplicateQuestions

    main_score

    Результат

    0,9617

    MTEB

    Публичная таблицадругая ревизия

  • MassiveIntentClassification

    main_score

    Результат

    0,4075

    Общий результат 0,4656Общий результат 0,4212Общий результат 0,009
    MTEB

    Публичная таблицадругая ревизия

  • TenKGnadClusteringS2S

    main_score

    Результат

    0,2047

    MTEB

    Публичная таблицадругая ревизия

  • OpusparcusPC

    main_score

    Результат

    0,8571

    MTEB

    Публичная таблицадругая ревизия

  • MassiveScenarioClassification

    main_score

    Результат

    0,4422

    Общий результат 0,4996Общий результат 0,4878Общий результат 0,0724
    MTEB

    Публичная таблицадругая ревизия

  • PawsXPairClassification

    main_score

    Результат

    0,475

    MTEB

    Публичная таблицадругая ревизия

  • NusaParagraphEmotionClassification

    main_score

    Результат

    0,2759

    MTEB

    Публичная таблицадругая ревизия

  • XNLI

    main_score

    Результат

    0,5041

    Общий результат 0,5836
    MTEB

    Публичная таблицадругая ревизия

  • UrduRomanSentimentClassification

    main_score

    Результат

    0,392

    MTEB

    Публичная таблицадругая ревизия

  • MLQARetrieval

    main_score

    Результат

    0,6544

    Общий результат 0,3058
    MTEB

    Публичная таблицадругая ревизия

  • MasakhaNEWSClusteringP2P

    main_score

    Результат

    0,4069

    MTEB

    Публичная таблицадругая ревизия

  • NusaTranslationBitextMining

    main_score

    Результат

    0,5875

    MTEB

    Публичная таблицадругая ревизия

  • AmazonReviewsClassification

    main_score

    Результат

    0,2229

    MTEB

    Публичная таблицадругая ревизия

  • STS22.v2

    main_score

    Результат

    0,746

    Общий результат 0,5006
    MTEB

    Публичная таблицадругая ревизия

  • DanishPoliticalCommentsClassification

    main_score

    Результат

    0,2856

    MTEB

    Публичная таблицадругая ревизия

  • StatcanDialogueDatasetRetrieval

    main_score

    Результат

    0,0314

    MTEB

    Публичная таблицадругая ревизия

  • MIRACLRetrievalHardNegatives

    main_score

    Результат

    0,04

    MTEB

    Публичная таблицадругая ревизия

  • GeoreviewClusteringP2P

    main_score

    Результат

    0,1731

    MTEB

    Публичная таблицадругая ревизия

  • AmazonCounterfactualClassification

    main_score

    Результат

    0,5758

    MTEB

    Публичная таблицадругая ревизия

  • ArXivHierarchicalClusteringP2P

    main_score

    Результат

    0,6066

    MTEB

    Публичная таблицадругая ревизия

  • SemRel24STS

    main_score

    Результат

    0,6646

    MTEB

    Публичная таблицадругая ревизия

  • MasakhaNEWSClusteringS2S

    main_score

    Результат

    0,2036

    MTEB

    Публичная таблицадругая ревизия

  • MIRACLRetrieval

    main_score

    Результат

    0,1005

    MTEB

    Публичная таблицадругая ревизия

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

MMLW-roberta-base — польскоязычный текстовый энкодер от команды MMLW. Модель построена на архитектуре RoBERTa и содержит 151,6 млн параметров; она преобразует текст в векторы размерностью 768 и поддерживает контекст до 514 токенов.

Модель дистиллирована из польского чекпойнта RoBERTa с помощью многоязычного знания, полученного от английских моделей FlagEmbeddings (BGE). Она предназначена для семантического сходства, кластеризации и информационного поиска, а также может служить основой для дальнейшего дообучения. Для запросов требуется префикс «zapytanie: ». В карточке приведены оценки 61,05 на польском бенчмарке MTEB и NDCG@10 53,60 на польском бенчмарке поиска PIRB.

Модель принимает текст и выдаёт эмбеддинги; основной язык — польский, а обучение включало пары текстов на польском и английском. Распространяется по лицензии Apache-2.0.

Сценарии применения

  • семантический поиск по польским документам
  • ранжирование польских текстов по близости к запросу
  • поиск похожих предложений на польском языке
  • кластеризация польских текстов по смыслу
  • создание эмбеддингов польского текста для последующего дообучения

Ограничения

Для кодирования запросов необходимо добавлять префикс «zapytanie: ». Оценки приведены для польских бенчмарков; карточка не сообщает о проверке качества на других языках и доменах.

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 768 dimensional vectors. The model was initialized with Polish RoBERTa 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, each query should be preceded by the prefix "zapytanie: " ⚠️

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

from sentence_transformers import SentenceTransformer
from sentence_transformers.util import cos_sim

query_prefix = "zapytanie: "
answer_prefix = ""
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-roberta-base")
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 61.05 on the Polish Massive Text Embedding Benchmark (MTEB). See MTEB Leaderboard for detailed results.
  • The model achieves NDCG@10 of 53.60 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
RobertaModel
Ревизия весов
bdeb29a

0 моделей