/ Модель

Характеристики

Контекст
514 токенов
Параметры
305 млн
Лицензия
Своя лицензия
Архитектура
xlm-roberta · dense
Базовая модель
kazembed-v5
Библиотека
sentence-transformers
Опубликована
8 мая 2026

kazakh-e5-rag-embedding

ЭмбеддингиТекст → embedding9 профессий

Модель кодирует казахские запросы и документы в эмбеддинги для семантического поиска, извлечения ответов и RAG.

3 682скачиваний за 30 дней8лайковвеса обновлены14 авг 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 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

Kazakh-E5-RAG-Embedding — модель эмбеддингов текста для поиска и извлечения документов на казахском языке, опубликованная shyngys879. Это плотный двунаправленный кодировщик на архитектуре XLM-RoBERTa, основанный на multilingual-e5-base и KazEmbed-V5; в метаданных указано 305,2 млн параметров, а README описывает базовый размер в 278 млн. Модель преобразует текст в 768-мерные векторы и использует формат E5 с префиксами «query:» для запросов и «passage:» для документов; контекст составляет до 514 токенов.

Модель предназначена для семантического поиска, поиска ответов на вопросы и документов, а также извлечения контекста для RAG. Она оптимизирована для сопоставления казахских запросов и фрагментов, включая различение похожих нерелевантных вариантов; README сообщает об оценке на трёх казахских наборах поиска. Поддерживаются казахский и также русский и английский языки по тегам карточки. Для поиска по корпусу Wikipedia в описанных тестах multilingual-e5-base и multilingual-e5-large показали лучшие результаты. Лицензия обозначена как other, поэтому перед использованием следует проверить условия в карточке модели.

Сценарии применения

  • поиск релевантных фрагментов для казахской RAG-системы
  • поиск ответов в казахской базе FAQ
  • семантический поиск по казахским документам
  • ранжирование казахских фрагментов по вопросу
  • поиск по казахской Википедии и энциклопедическим корпусам

Ограничения

Модель оптимизирована прежде всего для казахского поиска и RAG; на тесте WikiFullCorpus multilingual-e5-base и multilingual-e5-large показали лучшие результаты. Для корректной работы следует применять префиксы «query:» и «passage:»; условия лицензии other нужно уточнить в карточке.

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

Kazakh-E5-RAG-Embedding: Kazakh Embedding Model for RAG

Kazakh-E5-RAG-Embedding is an E5-style text embedding model for Kazakh RAG, semantic search, FAQ search, question-answer retrieval, and document search.

🏆 Best evaluated BASE-size embedding model on our Kazakh hard-negative retrieval benchmark.

The model is built on the multilingual-e5-base architecture and further optimized for Kazakh question-passage matching, hard-negative retrieval, and Kazakh Wikipedia-style document search.

Why use this model?

  • Kazakh-focused retrieval: optimized for Kazakh questions, passages, and document search
  • 🔍 Hard-negative ranking: designed to distinguish correct passages from very similar incorrect passages
  • ⚡ Efficient BASE-size model: 278M parameters
  • 🧠 E5-style format: uses query: and passage: prefixes
  • 🔧 RAG-ready: works with sentence-transformers, vector databases, and retrieval pipelines
  • 📊 Evaluated on 3 Kazakh retrieval benchmarks

Usage

Installation

pip install sentence-transformers numpy

Convert Text to Embeddings

This model converts Kazakh text into 768-dimensional embedding vectors that can be used for semantic search, retrieval, and RAG.

from sentence_transformers import SentenceTransformer

model = SentenceTransformer("shyngys879/kazakh-e5-rag-embedding")

text = "passage: Астана — Қазақстан Республикасының астанасы."

embedding = model.encode(text, normalize_embeddings=True)

print(embedding.shape)
# (768,)

print(embedding[:5])
# Example output: [0.021, -0.034, 0.056, ...]

Basic Usage

from sentence_transformers import SentenceTransformer
import numpy as np

model = SentenceTransformer("shyngys879/kazakh-e5-rag-embedding")

query = "query: Қазақстанның астанасы қай қала?"
passage = "passage: Астана — Қазақстан Республикасының астанасы."

query_embedding = model.encode(query, normalize_embeddings=True)
passage_embedding = model.encode(passage, normalize_embeddings=True)

# Since embeddings are normalized, dot product = cosine similarity
similarity = np.dot(query_embedding, passage_embedding)

print(f"Similarity: {similarity:.4f}")

FAQ / Document Search

from sentence_transformers import SentenceTransformer
import numpy as np

model = SentenceTransformer("shyngys879/kazakh-e5-rag-embedding")

documents = [
    "Астана — Қазақстан Республикасының астанасы.",
    "Алматы — Қазақстанның ең үлкен қаласы.",
    "Қазақстан — Орталық Азиядағы мемлекет.",
    "Абай Құнанбайұлы — қазақтың ұлы ақыны және ағартушысы.",
]

query = "Қазақстанның астанасы қай қала?"

doc_embeddings = model.encode(
    ["passage: " + doc for doc in documents],
    normalize_embeddings=True
)

query_embedding = model.encode(
    "query: " + query,
    normalize_embeddings=True
)

scores = np.dot(doc_embeddings, query_embedding)
best_idx = np.argmax(scores)

print("Question:", query)
print("Best match:", documents[best_idx])
print("Score:", float(scores[best_idx]))

This same pattern can be used for FAQ search, document retrieval, and RAG pipelines: encode your documents, retrieve the most relevant passages, then pass them to an LLM as context.

Important Prefix Format

For best results, use E5-style prefixes:

Input typePrefix
Query / questionquery: ...
Passage / documentpassage: ...

Benchmark Results

The model was evaluated on three Kazakh retrieval settings:

  1. OfficialKazQAD-HardTFIDF99 — hard-negative question-passage retrieval.
  2. WikiFullCorpus — Kazakh Wikipedia-style full-corpus retrieval.
  3. KazQAD-100 local — KazQAD-style retrieval with 100 candidates per query.

MRR means Mean Reciprocal Rank: higher is better, and it rewards models that rank the correct passage closer to the top.


OfficialKazQAD-HardTFIDF99

This benchmark uses 1,929 KazQAD test queries.
For each query, the model must rank the correct passage among 100 candidate passages.

The candidate set contains:

  • 1 correct passage
  • 99 TF-IDF hard negatives

A hard negative is an incorrect passage that is textually or topically similar to the query. This makes the task harder than retrieval with random negative passages, because the model must identify which similar passage actually answers the question.

ModelHits@1Hits@5MRRParams
Kazakh-E5-RAG-Embedding35.98%72.47%0.5189278M
KazEmbed-V5 original30.07%65.68%0.4619278M
multilingual-e5-large30.17%62.99%0.4490560M
multilingual-e5-base25.87%56.71%0.4048278M
paraphrase-multilingual-mpnet-base-v210.01%29.91%0.2082278M
LaBSE7.47%26.75%0.1821471M

Additional Benchmarks

BenchmarkModelHits@1Hits@5MRRParams
WikiFullCorpusmultilingual-e5-large69.13%85.79%0.7656560M
WikiFullCorpusmultilingual-e5-base65.85%80.87%0.7290278M
WikiFullCorpusKazakh-E5-RAG-Embedding60.38%74.32%0.6689278M
WikiFullCorpusKazEmbed-V5 original56.83%70.49%0.6276278M
KazQAD-100 localKazakh-E5-RAG-Embedding91.55%100.00%0.9554278M
KazQAD-100 localKazEmbed-V5 original87.32%100.00%0.9334278M
KazQAD-100 localmultilingual-e5-large86.27%98.24%0.9189560M
KazQAD-100 localmultilingual-e5-base85.56%97.54%0.9105278M

Benchmark notes:

  • WikiFullCorpus evaluates full-corpus retrieval over Kazakh Wikipedia-style passages. The model must find the correct passage from a larger document corpus, which makes this closer to practical semantic search and RAG.
  • KazQAD-100 local evaluates Kazakh question-passage retrieval with 100 candidates per query. It is a supporting benchmark for checking whether the model ranks the correct answer passage near the top.

Model Details

FieldValue
Model nameshyngys879/kazakh-e5-rag-embedding
Model typeText embedding / bi-encoder retrieval model
Architecture familymultilingual-e5-base / XLM-RoBERTa
Continued fine-tuning fromNurlykhan/kazembed-v5
Model lineageintfloat/multilingual-e5-base → Nurlykhan/kazembed-v5 → this model
Parameters278M
Embedding dimension768
Main languageKazakh
TaskRetrieval, semantic search, RAG, question-passage matching
Training objectiveKazakh retrieval / question-passage matching
Training dataKazQAD-style retrieval data, TF-IDF hard negatives, Kazakh Wikipedia-style retrieval examples

Recommended Use Cases

  • Kazakh RAG systems
  • Kazakh semantic search
  • FAQ search
  • document retrieval
  • question-answer retrieval
  • educational search
  • Kazakh Wikipedia / encyclopedic search
  • multilingual projects involving Kazakh

Limitations

  • The model is optimized mainly for Kazakh retrieval and RAG.
  • On WikiFullCorpus, multilingual-e5-base and multilingual-e5-large perform better.

Citation

@misc{kazakh-e5-rag-embedding-2026,
  title={Kazakh-E5-RAG-Embedding: A Kazakh Retrieval Embedding Model for RAG},
  author={Shyngys Sovetkhan},
  year={2026},
  howpublished={Hugging Face Model Hub},
  url={https://huggingface.co/shyngys879/kazakh-e5-rag-embedding}
}

Acknowledgements

This model builds on:

  • Nurlykhan/kazembed-v5
  • intfloat/multilingual-e5-base
  • KazQAD / KazQAD-style retrieval data
  • Kazakh Wikipedia-style retrieval examples

Contact, Custom Fine-Tuning, and Model Use

For commercial deployment, RAG or semantic-search integration, model evaluation, or custom fine-tuning on your organization's documents and domain-specific data, please contact:

Shyngys Sovetkhan
Email: shyngyssovetkhan0@gmail.com

If your company or organization uses this model, has evaluated it, or has found it useful, I would greatly appreciate a brief official confirmation letter describing the use case or evaluation results. Such documentation helps demonstrate the model's real-world impact in my university applications. The letter can be sent to the email address above.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · sentence-transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
XLMRobertaModel
Ревизия весов
86bcfb6

0 моделей