Характеристики

Контекст: 512 токенов
Параметры: 156 млн
Лицензия: MIT
Архитектура: bert · dense
Базовая модель: BERTA
Опубликована: 14 апр 2026

Ссылки

Hugging Face

rubert-base-retriever

sergeyzh

ЭмбеддингиТекст → embedding9 профессий

Двуязычная BERT-модель, создающая эмбеддинги для семантического поиска по русским и английским текстам.

1 034скачиваний за 30 дней0лайковвеса обновлены14 апр 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.

Добавьте модель в бенчмарк
Вместе с другими моделями категории «Эмбеддинги» — сравнение идёт внутри одной категории.
Опишите свои задачи
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
Запустите и опубликуйте
Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Открыть конструктор бенчмарка

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

sergeyzh/rubert-base-retriever — модель эмбеддингов на архитектуре BERT для текстового поиска. Автор указывает, что она создана дистилляцией эмбеддингов русских и английских текстов BAAI/bge-m3 в BERTA; метаданные также связывают её с дообучением sergeyzh/BERTA. Модель содержит 155,5 млн параметров, выдаёт векторы размерности 768 и принимает последовательности длиной до 512 токенов. Для использования через Sentence Transformers специальные префиксы не требуются.

Модель предназначена для получения эмбеддингов запросов и документов, семантического поиска и сравнения предложений на русском и английском языках. В README приведены оценки на наборах поиска и ранжирования; результаты показывают применимость модели к поиску, но не гарантируют качество для каждого корпуса или сценария. Лицензия — MIT.

Сценарии применения

поиск документов по запросу на русском языке
поиск документов по запросу на английском языке
семантический поиск по корпусу текстов
подбор похожих предложений
создание эмбеддингов запросов и документов для поисковой системы

Ограничения

Контекст ограничен 512 токенами. Показатели в README получены на перечисленных наборах данных и могут не отражать качество на других корпусах.

Для каких профессий подходит9

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.1Универсальные способностиПоиск и навигация по информацииAI помогает находить нужные сведения и помогать человеку быстро переходить от вопроса к подтверждённому источнику.18 задач13 467моделей I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей I.12Универсальные способностиРекомендации и персонализацияAI помогает подбирать релевантные варианты и адаптировать опыт под конкретного человека или ситуацию.15 задач7 627моделей

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Модель BERT для задач текстового поиска (retrieval). Модель получена дистилляцией эмбеддингов русских и английских текстов BAAI/bge-m3 в BERTA.

Основные характеристики модели:

размер ембеддинга - 768,
длина контекста - 512,
слоёв - 12,
префиксы - не требуются.

Использование

from sentence_transformers import SentenceTransformer

model = SentenceTransformer('sergeyzh/rubert-base-retriever')

sentences = ["привет мир", "hello world", "здравствуй вселенная"]
embeddings = model.encode(sentences)
print(model.similarity(embeddings, embeddings))

Метрики

Оценки модели на задачах текстового поиска для русского языка:

Model Name	MIRACL Reranking	MIRACL Retrival	RiaNews Retrieval	RuBQ Reranking	RuBQ Retrieval	Average
bge-m3	0,654	0,702	0,830	0,740	0,712	0,728
BERTA	0,643	0,676	0,816	0,752	0,710	0,719
rubert-base-retriever	0,635	0,660	0,787	0,735	0,699	0,703
multilingual-e5-base	0,605	0,616	0,702	0,720	0,696	0,668

Оценки модели на задачах текстового поиска для английского языка:

Model Name	AILA Statutes	Argu Ana	Legal Bench Corporate Lobbying	SCIDOCS	Stack Overflow QA	Statcan Dialogue Dataset Retrieval	Wikipedia Retrieval Multilingual	Average
bge-m3	0,298	0,539	0,904	0,164	0,806	0,284	0,924	0,560
rubert-base-retriever	0,249	0,528	0,912	0,154	0,703	0,346	0,928	0,546
multilingual-e5-large	0,208	0,544	0,897	0,174	0,889	0,106	0,911	0,533
multilingual-e5-base	0,204	0,442	0,890	0,172	0,851	0,137	0,888	0,512
BERTA	0,188	0,414	0,907	0,112	0,493	0,304	0,888	0,472

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: de75000