/ Модель

Характеристики

Контекст
512 токенов
Параметры
138 млн
Размер весов
221 МБ
Лицензия
MIT
Архитектура
bert · dense
Базовая модель
turkish-embedding-model
Библиотека
mlx
Опубликована
3 июл 2026

trmteb-trnews-v1-mlx

Сходство предложенийТекст → score6 профессий

Турецкая BERT-модель эмбеддингов для семантического поиска и сравнения новостных текстов на Apple Silicon.

11скачиваний за 30 дней0лайковвеса обновлены3 июл 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

sinanalyuruk/trmteb-trnews-v1-mlx — турецкая модель эмбеддингов для поиска новостей и сравнения текстов, подготовленная для Apple Silicon. Это MLX-сборка дообученной модели trmteb/turkish-embedding-model на новостном датасете TR-News; веса в формате float16 преобразованы из PyTorch-сборки. Модель основана на BERT и содержит 137,8 млн параметров.

Модель преобразует текст в L2-нормализованные векторы размерности 768 с помощью mean pooling. Их можно сравнивать по косинусному сходству или скалярному произведению для поиска похожих новостей и ранжирования результатов. Максимальная длина последовательности — 512 токенов; основным языком является турецкий.

Сборка предназначена для запуска через mlx-embeddings на Apple Silicon и требует mlx версии 0.30 или новее и mlx-embeddings версии 0.1.0 или новее. В README указано совпадение результатов с исходной PyTorch-моделью при проверке эмбеддингов и метрик поиска. Лицензия — MIT.

Сценарии применения

  • поиск похожих новостных заголовков на турецком языке
  • семантический поиск по архиву турецких новостей
  • ранжирование новостей по сходству с запросом
  • группировка похожих новостных материалов
  • сравнение предложений на турецком языке по смыслу

Ограничения

Модель рассчитана на турецкие тексты и ограничена длиной последовательности в 512 токенов. Для запуска требуются Apple Silicon и библиотеки mlx и mlx-embeddings.

Для каких профессий подходит6

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

trmteb-trnews — MLX build

Apple-Silicon MLX float16 build of the Turkish-news retrieval fine-tune of trmteb/turkish-embedding-model. Same weights (mean pooling, 768-d, L2-normalized), converted with mlx-embeddings; verified at parity with the PyTorch source (per-text cosine 1.00000; identical R@1/MRR).

  • Format: mlx-embeddings, float16 (~211 MB) · max_seq_length 512
  • Evaluation: the full before/after table lives on the main model card → trmteb-trnews-v1 (the PyTorch build this was converted from).

Usage

import numpy as np, mlx_embeddings
model, tok = mlx_embeddings.load("<this-repo-or-path>")
o = mlx_embeddings.generate(model, tok, ["Örnek başlık.", "İkinci haber."])
E = np.array(o.text_embeds)   # already L2-normalized; cosine == dot product

Requires mlx>=0.30, mlx-embeddings>=0.1.0.

License & attribution

Released under the MIT license — matching the verified upstream root (dbmdz/bert-base-turkish-uncased, MIT).

NOTICE — this is a derivative work. Attribution chain:

  • Fine-tuned from trmteb/turkish-embedding-model — no license is declared upstream (as of 2026-07-03 the source model card states none); attribution retained.
  • Whose base is dbmdz/bert-base-turkish-uncased (BERTurk) — MIT. Retain BERTurk's copyright and permission notice (see its model card).
  • Changes (documented for provenance): fine-tuned on 100,000 TR-News (title, abstract) pairs with MultipleNegativesRankingLoss; published at max_seq_length 512.

trmteb/turkish-embedding-model itself declares no license, so the MIT terms above inherit from the BERTurk root and cover this fine-tune's contribution; confirm the intermediate model's terms with its author before commercial redistribution.

Citation — training data (TR-News)

@article{10.1007/s10579-021-09568-y,
    year = {2022},
    title = {{Abstractive text summarization and new large-scale datasets for agglutinative languages Turkish and Hungarian}},
    author = {Baykara, Batuhan and Güngör, Tunga},
    journal = {Language Resources and Evaluation},
    issn = {1574-020X},
    doi = {10.1007/s10579-021-09568-y},
    pages = {1--35}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · mlx

Нельзя запустить

MLX-модели работают только на Apple Silicon.

Класс архитектуры
BertModel
Ревизия весов
81d991b

0 моделей