Характеристики

Контекст: 2 048 токенов
Параметры: 29 млн
Лицензия: MIT
Архитектура: bert · dense
Базовая модель: rubert-tiny-turbo
Опубликована: 14 апр 2026

Ссылки

rubert-tiny-sts-v2

ЭмбеддингиТекст → embedding12 профессий

Компактный русско-английский BERT-энкодер для семантического сравнения предложений, поиска перефразировок и дедупликации текстов.

2 630скачиваний за 30 дней1лайквеса 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-sts-v2 — компактная модель на архитектуре BERT, разработанная Sergey Zh. Это дообученный энкодер для создания эмбеддингов русских и английских предложений, оценки семантического сходства, поиска перефразировок, дедупликации текстов и задач логического вывода NLI. Модель также подходит как основа для дообучения под пользовательские задачи классификации и кластеризации.

Модель получена дистилляцией эмбеддингов Qwen/Qwen3-Embedding-4B в rubert-tiny-turbo. Она содержит около 29 млн параметров, формирует векторы размерности 312 и поддерживает контекст до 2048 токенов по метаданным; в README указана длина 512. Префиксы для входных текстов не требуются. Репозиторий содержит веса в формате safetensors.

Модель ориентирована на быстрый и компактный поиск семантически близких текстов на русском и английском языках. Указанные в карточке метрики сравнивают другие модели, поэтому по ним нельзя определить качество rubert-tiny-sts-v2. Лицензия — MIT.

Сценарии применения

поиск семантически похожих предложений
поиск перефразировок на русском и английском
удаление дубликатов текстов
кластеризация предложений по смыслу
получение эмбеддингов для классификации текстов
оценка смысловой близости пар предложений

Ограничения

README приводит длину контекста 512 токенов, тогда как метаданные указывают 2048; это расхождение требует проверки перед обработкой длинных текстов. Приведённая таблица метрик не содержит строки этой модели, поэтому её результаты по указанным бенчмаркам из карточки установить нельзя.

Для каких профессий подходит12

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей I.1Универсальные способностиПоиск и навигация по информацииAI помогает находить нужные сведения и помогать человеку быстро переходить от вопроса к подтверждённому источнику.18 задач13 467моделей II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей 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

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Быстрая модель BERT для задач симметричного перефразирования (STS, поиск парафраз, дедупликация) и логического вывода (NLI). Получена дистилляцией эмбеддингов русских и английских текстов Qwen/Qwen3-Embedding-4B в rubert-tiny-turbo.

Модель может использоваться в качестве базовой для дообучения под пользовательские задачи классификации и кластеризации.

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-sts-v2')

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

Метрики

Оценки модели на задачах для русского языка:

Model Name	RuSTS Benchmark STS	RU ParaPhraser STS	STS22,v2	TERRa Classification	Average
Qwen3-Embedding-4B	0,888	0,766	0,701	0,666	0,755
multilingual-e5-large-instruct	0,840	0,754	0,706	0,639	0,735
Qwen3-Embedding-0.6B	0,842	0,721	0,662	0,607	0,708
rubert-tiny-sts-v2	0,830	0,736	0,646	0,616	0,707
bge-m3	0,797	0,749	0,663	0,607	0,704
rubert-tiny-turbo	0,787	0,721	0,646	0,563	0,679
multilingual-e5-base	0,796	0,702	0,607	0,550	0,664

Оценки модели на задачах для английского языка:

Model Name	STS12	STS13	STS14	STS15	STS17	STS22,v2	STS Benchmark	Average
Qwen3-Embedding-4B	0,866	0,944	0,909	0,938	0,918	0,730	0,937	0,892
Qwen3-Embedding-0.6B	0,830	0,918	0,871	0,914	0,855	0,718	0,911	0,860
multilingual-e5-large-instruct	0,825	0,881	0,848	0,910	0,860	0,690	0,884	0,842
bge-m3	0,787	0,796	0,790	0,878	0,796	0,700	0,849	0,800
multilingual-e5-base	0,767	0,780	0,766	0,882	0,783	0,646	0,856	0,783
rubert-tiny-sts-v2	0,761	0,836	0,804	0,856	0,821	0,547	0,833	0,780
rubert-tiny-turbo	0,662	0,603	0,661	0,774	0,272	0,334	0,690	0,571

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: ca4178c