Характеристики

Контекст: 2 048 токенов
Параметры: 29 млн
Лицензия: MIT
Архитектура: bert · dense
Базовая модель: rubert-tiny-turbo
Опубликована: 13 апр 2026

Ссылки

Hugging Face

rubert-tiny-retriever

sergeyzh

ЭмбеддингиТекст → embedding9 профессий

Компактный двуязычный BERT-энкодер для семантического текстового поиска и получения эмбеддингов запросов и документов.

155скачиваний 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-tiny-retriever — компактная модель на основе BERT, разработанная Sergey Zh. Это дообученный энкодер для получения эмбеддингов и текстового поиска: он кодирует запросы и документы в векторы, пригодные для поиска по семантическому сходству и ранжирования результатов. Модель создана дистилляцией эмбеддингов русских и английских текстов BAAI/bge-m3 в sergeyzh/rubert-tiny-turbo.

Модель содержит 29 млн параметров; в README указаны 3 слоя, размер эмбеддинга 312 и контекст 512 токенов. Метаданные каталога указывают нативный контекст в 2048 токенов. Поддерживаются русский и английский языки, специальные префиксы для запросов и документов не требуются. В README приведены результаты на наборах для поиска на обоих языках: модель превосходит rubert-tiny-turbo в указанных сравнениях, но уступает более крупной bge-m3. Лицензия — MIT.

Сценарии применения

поиск релевантных документов по текстовому запросу
семантический поиск по базе знаний
сравнение сходства двух предложений
получение эмбеддингов документов для поискового индекса
ранжирование найденных текстов по релевантности

Ограничения

В приведённых в README сравнениях модель уступает bge-m3, особенно на англоязычных задачах. Оценки относятся к перечисленным наборам данных и не гарантируют аналогичное 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

Быстрая модель BERT для задач текстового поиска (retrieval). Модель получена дистилляцией эмбеддингов русских и английских текстов BAAI/bge-m3 в rubert-tiny-turbo.

Основные характеристики модели:

размер ембеддинга - 312,
длина контекста - 512,
слоёв - 3,
префиксы - не требуются.

Использование

from sentence_transformers import SentenceTransformer

model = SentenceTransformer('sergeyzh/rubert-tiny-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
rubert-tiny-retriever	0,574	0,530	0,611	0,668	0,589	0,594
rubert-tiny-turbo	0,477	0,371	0,513	0,622	0,517	0,500
rubert-tiny2	0,158	0,019	0,140	0,461	0,109	0,177

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-tiny-retriever	0,161	0,432	0,862	0,094	0,454	0,103	0,880	0,426
rubert-tiny-turbo	0,136	0,320	0,700	0,041	0,320	0,007	0,298	0,260
rubert-tiny2	0,138	0,277	0,602	0,012	0,200	0,004	0,145	0,197

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: 6dc0f7c