/ Модель

Характеристики

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

mmlw-roberta-large

ЭмбеддингиТекст → embedding9 профессий

Польский энкодер RoBERTa, создающий векторные представления для семантического сравнения, кластеризации и поиска текстов.

3 592скачиваний за 30 дней16лайковвеса 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 оценки31

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

  • LEMBNeedleRetrieval

    main_score

    Результат

    0,74

    MTEB

    Публичная таблицадругая ревизия

  • IndicGenBenchFloresBitextMining

    main_score

    Результат

    0,0532

    Общий результат 0,074Общий результат 0,0298Общий результат 0,0139
    MTEB

    Публичная таблицадругая ревизия

  • MLQARetrieval

    main_score

    Результат

    0,0717

    Общий результат 0,259Общий результат 0,2325Общий результат 0,0449
    MTEB

    Публичная таблицадругая ревизия

  • NollySentiBitextMining

    main_score

    Результат

    0,1229

    MTEB

    Публичная таблицадругая ревизия

  • MassiveScenarioClassification

    main_score

    Результат

    0,4436

    Общий результат 0,5445Общий результат 0,495
    MTEB

    Публичная таблицадругая ревизия

  • XNLI

    main_score

    Результат

    0,8756

    Общий результат 0,4935
    MTEB

    Публичная таблицадругая ревизия

  • CUREv1

    main_score

    Результат

    0,3562

    MTEB

    Публичная таблицадругая ревизия

  • LegalQuAD

    main_score

    Результат

    0,1359

    MTEB

    Публичная таблицадругая ревизия

  • NusaTranslationBitextMining

    main_score

    Результат

    0,5615

    MTEB

    Публичная таблицадругая ревизия

  • BibleNLPBitextMining

    Среднее по поднаборам

    Результат

    0,0142

    MTEB

    Расчёт каталогадругая ревизия

  • SummEvalSummarization.v2

    main_score

    Результат

    0,3497

    MTEB

    Публичная таблицадругая ревизия

  • OpusparcusPC

    main_score

    Результат

    0,9874

    MTEB

    Публичная таблицадругая ревизия

  • Tatoeba

    main_score

    Результат

    0,1209

    Общий результат 0,1241Общий результат 0,0526Общий результат 0,0335
    MTEB

    Публичная таблицадругая ревизия

  • STS22

    main_score

    Результат

    0,7602

    Общий результат 0,2469
    MTEB

    Публичная таблицадругая ревизия

  • PawsXPairClassification

    main_score

    Результат

    0,4564

    Общий результат 0,5896
    MTEB

    Публичная таблицадругая ревизия

  • WikipediaRerankingMultilingual

    main_score

    Результат

    0,3269

    MTEB

    Публичная таблицадругая ревизия

  • TempReasonL2Fact

    main_score

    Результат

    0,2208

    MTEB

    Публичная таблицадругая ревизия

  • WikipediaRetrievalMultilingual

    main_score

    Результат

    0,619

    MTEB

    Публичная таблицадругая ревизия

  • SIB200ClusteringS2S

    main_score

    Результат

    0,0372

    Общий результат 0,1204Общий результат 0,041Общий результат 0,0351
    MTEB

    Публичная таблицадругая ревизия

  • STS22.v2

    main_score

    Результат

    0,8452

    MTEB

    Публичная таблицадругая ревизия

  • XPQARetrieval

    main_score

    Результат

    0,0444

    Общий результат 0,4454
    MTEB

    Публичная таблицадругая ревизия

  • MTOPDomainClassification

    main_score

    Результат

    0,943

    MTEB

    Публичная таблицадругая ревизия

  • MIRACLRetrievalHardNegatives

    main_score

    Результат

    0,0444

    MTEB

    Публичная таблицадругая ревизия

  • MasakhaNEWSClassification

    main_score

    Результат

    0,6499

    MTEB

    Публичная таблицадругая ревизия

  • AlloprofRetrieval

    main_score

    Результат

    0,2053

    MTEB

    Публичная таблицадругая ревизия

  • CodeSearchNetRetrieval

    main_score

    Результат

    0,7338

    MTEB

    Публичная таблицадругая ревизия

  • MIRACLReranking

    main_score

    Результат

    0,0392

    MTEB

    Публичная таблицадругая ревизия

  • CDSC-E

    main_score

    Результат

    0,7987

    MTEB

    Публичная таблицаревизия не подтверждена

  • TempReasonL3Context

    main_score

    Результат

    0,1415

    MTEB

    Публичная таблицадругая ревизия

  • DiaBlaBitextMining

    main_score

    Результат

    0,1028

    MTEB

    Публичная таблицадругая ревизия

  • MultiHateClassification

    main_score

    Результат

    0,4475

    MTEB

    Публичная таблицадругая ревизия

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

MMLW-roberta-large — польский текстовый энкодер семейства RoBERTa, разработанный для получения векторных представлений предложений и текстов. Модель содержит 533,7 млн параметров и преобразует текст в векторы размерностью 1024; максимальная длина контекста — 514 токенов.

Модель дистиллирована из польского чекпойнта RoBERTa с использованием мультиязычной дистилляции: учительскими моделями были английские FlagEmbeddings (BGE), а обучающий корпус включал 60 млн пар текстов на польском и английском языках. Она предназначена для семантического сравнения, кластеризации и поиска информации, а также может служить основой для дальнейшего дообучения. Для кодирования запросов README требует добавлять префикс «zapytanie: ».

В README приведены средний результат 63,23 на польском бенчмарке MTEB и NDCG@10 55,95 на польском бенчмарке поиска PIRB. Доступны веса PyTorch и Safetensors; лицензия — Apache-2.0. Модель специализирована на польском, поэтому результаты для других языков и задач за пределами описанных сценариев могут отличаться.

Сценарии применения

  • семантический поиск по польским документам
  • ранжирование документов по релевантности польскому запросу
  • поиск похожих польских предложений
  • кластеризация польских текстов по смыслу
  • дообучение польского текстового энкодера для прикладной задачи

Ограничения

Для кодирования запросов необходимо добавлять префикс «zapytanie: ». Модель ориентирована на польский язык; качество для других языков и задач не подтверждено приведёнными результатами.

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 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-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 63.23 on the Polish Massive Text Embedding Benchmark (MTEB). See MTEB Leaderboard for detailed results.
  • The model achieves NDCG@10 of 55.95 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
b76e8c3

0 моделей