/ Модель

Характеристики

Контекст
8 192 токена
Параметры
315 млн
Лицензия
CC BY-NC 4.0
Архитектура
modernbert · dense
Базовая модель
ruri-v3-310m
Библиотека
sentence-transformers
Опубликована
2 июл 2026

comsat-embed-ja-0.3b-preview

ЭмбеддингиТекст → embedding9 профессий

Компактная японская модель эмбеддингов для семантического поиска по документам, базам знаний и другим текстовым коллекциям.

307скачиваний за 30 дней1лайквеса обновлены5 июл 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 оценки18

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

  • JSTS

    main_score

    Результат

    0,8503

    MTEB

    Публичная таблицадругая ревизия

  • JaCWIRReranking

    main_score

    Результат

    0,8756

    MTEB

    Публичная таблицадругая ревизия

  • MultiLongDocRetrieval

    main_score

    Результат

    0,4665

    Общий результат 0,4712
    MTEB

    Публичная таблицадругая ревизия

  • MintakaRetrieval

    main_score

    Результат

    0,3686

    MTEB

    Публичная таблицадругая ревизия

  • MIRACLRetrieval

    main_score

    Результат

    0,7143

    MTEB

    Публичная таблицадругая ревизия

  • NLPJournalAbsIntroRetrieval.V2

    main_score

    Результат

    0,9945

    MTEB

    Публичная таблицадругая ревизия

  • JaqketRetrieval

    main_score

    Результат

    0,7617

    MTEB

    Публичная таблицадругая ревизия

  • JSICK

    main_score

    Результат

    0,809

    MTEB

    Публичная таблицадругая ревизия

  • MIRACLReranking

    main_score

    Результат

    0,6689

    MTEB

    Публичная таблицадругая ревизия

  • JQaRAReranking

    main_score

    Результат

    0,5801

    MTEB

    Публичная таблицадругая ревизия

  • NLPJournalTitleIntroRetrieval.V2

    main_score

    Результат

    0,9772

    MTEB

    Публичная таблицадругая ревизия

  • ESCIReranking

    main_score

    Результат

    0,8407

    MTEB

    Публичная таблицадругая ревизия

  • JaCWIRRetrieval

    main_score

    Результат

    0,8721

    MTEB

    Публичная таблицадругая ревизия

  • NLPJournalTitleAbsRetrieval.V2

    main_score

    Результат

    0,9807

    MTEB

    Публичная таблицадругая ревизия

  • MultiLongDocReranking

    main_score

    Результат

    0,9208

    MTEB

    Публичная таблицадругая ревизия

  • NLPJournalAbsArticleRetrieval.V2

    main_score

    Результат

    0,9951

    MTEB

    Публичная таблицадругая ревизия

  • JaGovFaqsRetrieval

    main_score

    Результат

    0,7902

    MTEB

    Публичная таблицадругая ревизия

  • MrTidyRetrieval

    main_score

    Результат

    0,6402

    MTEB

    Публичная таблицадругая ревизия

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

comsat-embed-ja-0.3b-preview — модель для создания текстовых эмбеддингов, разработанная Sionic AI и дообученная на базе cl-nagoya/ruri-v3-310m. Она предназначена для семантического поиска на японском языке: кодирует запросы и документы в векторы, которые можно сопоставлять по косинусному сходству. Подходит для поиска по документам, базам знаний и корпоративным коллекциям, а также для извлечения материалов в системах ответов на вопросы.

Модель использует энкодерную архитектуру ModernBERT, содержит 314,6 млн параметров и принимает до 8192 токенов. Выдаёт 768-мерные эмбеддинги со средним объединением токенов и L2-нормализацией. Для запросов и документов предусмотрены разные префиксы: «検索クエリ: » и «検索文書: ». В README заявлен средний результат NDCG@10 0,7785 на 11 задачах поиска JMTEB v2 среди сравниваемых моделей размером до 4 млрд параметров.

Модель специализирована на японском языке и поддерживает сценарии семантического поиска, включая поиск научных публикаций, государственных FAQ, веб-страниц и длинных документов. Для сохранения качества поиска следует применять соответствующий префикс к запросу и документу. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

Сценарии применения

  • поиск документов по японскому запросу
  • извлечение релевантных фрагментов из корпоративной базы знаний
  • поиск ответов в японских государственных FAQ
  • поиск научных статей по заголовку или аннотации
  • поиск по длинным японским документам
  • подбор похожих японских текстов по смыслу

Ограничения

Модель специализирована на японском языке, а коммерческое использование ограничено лицензией CC BY-NC 4.0. Для оптимального качества поиска README рекомендует использовать разные заданные префиксы для запросов и документов.

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

comsat-embed-ja-0.3b-preview

comsat-embed-ja-0.3b-preview is an encoder-based embedding model developed by Sionic AI, optimized for Japanese semantic retrieval tasks. Trained on over 1.5M Japanese examples, it encodes queries and documents into vectors so that the most relevant documents can be found by similarity. The model is designed to provide high-quality text representations for real-world information retrieval scenarios, including document search, question answering, knowledge base retrieval, and enterprise semantic search. At only 0.3B parameters, it delivers robust performance across Japanese search environments where accurate semantic matching is essential.

Highlights

  • Japanese-specialized — trained on 1.5M+ Japanese examples; achieves state-of-the-art average NDCG@10 (0.7785) on the 11-task JMTEB(v2) retrieval benchmark among the compared models with ≤4B parameters.
  • Compact & efficient — 0.3B (310M) parameters, well suited to cost-efficient, low-latency deployment.
  • Long context — handles inputs up to 8,192 tokens.
  • Asymmetric encoding — queries and documents are encoded with their respective prefixes (検索クエリ: / 検索文書: ).
  • Embeddings — 768-dimensional, mean-pooled and L2-normalized, compared with cosine similarity.

Usage

First install the Sentence Transformers library

pip install -U sentence-transformers

Sentence Transformers Usage

⚠️ Encode queries with the query prompt and documents with the document prompt. (Both use their own prefix; skipping the prompt slightly degrades retrieval quality.)

from sentence_transformers import SentenceTransformer

model = SentenceTransformer("sionic-ai/comsat-embed-ja-0.3b-preview")

queries   = ["日本の首都はどこですか?"]
documents = ["日本の首都は東京です。"]

# Prefixes ("検索クエリ: " / "検索文書: ") are applied automatically by prompt_name
q_emb = model.encode(queries,   prompt_name="query",    normalize_embeddings=True)
d_emb = model.encode(documents, prompt_name="document", normalize_embeddings=True)

# Option: sentence-transformers 5.x helper API (equivalent)
# q_emb = model.encode_query(queries)
# d_emb = model.encode_document(documents)

scores = q_emb @ d_emb.T   # cosine similarity
print(scores)

Transformers Usage

import torch
import torch.nn.functional as F
from torch import Tensor
from transformers import AutoTokenizer, AutoModel


def mean_pool(last_hidden_states: Tensor, attention_mask: Tensor) -> Tensor:
    mask = attention_mask.unsqueeze(-1).to(last_hidden_states.dtype)
    return (last_hidden_states * mask).sum(dim=1) / mask.sum(dim=1).clamp(min=1e-9)


# Prepend the prefixes manually when using plain Transformers
queries   = ["検索クエリ: 日本の首都はどこですか?"]
documents = ["検索文書: 日本の首都は東京です。"]
input_texts = queries + documents

tokenizer = AutoTokenizer.from_pretrained("sionic-ai/comsat-embed-ja-0.3b-preview")
model = AutoModel.from_pretrained("sionic-ai/comsat-embed-ja-0.3b-preview")

batch_dict = tokenizer(
    input_texts,
    padding=True,
    truncation=True,
    max_length=8192,
    return_tensors="pt",
)
with torch.no_grad():
    outputs = model(**batch_dict)

embeddings = mean_pool(outputs.last_hidden_state, batch_dict["attention_mask"])
embeddings = F.normalize(embeddings, p=2, dim=1)
scores = embeddings[:1] @ embeddings[1:].T   # cosine similarity
print(scores.tolist())

JMTEB Retrieval Benchmark

Performance (JMTEB v2 Retrieval, NDCG@10)

Only models with ≤4B parameters are shown. All scores are NDCG@10; for multilingual tasks the Japanese subset is used (Mintaka/MultiLongDoc/MIRACL=ja, MrTidy=japanese).

ModelAvgNLPJ-TitleAbsNLPJ-TitleIntroNLPJ-AbsIntroNLPJ-AbsArticleMintakaJaGovFaqsJaqketMultiLongDocJaCWIRMIRACLMrTidy
comsat-embed-ja-0.3b-preview0.77850.98070.97720.99450.99510.36860.79020.76170.46890.87210.71430.6402
Qwen/Qwen3-Embedding-4B0.77790.97530.95890.98810.99590.52010.71790.61360.56590.85600.72440.6406
codefuse-ai/F2LLM-v2-4B0.77050.98530.98030.99370.99660.47670.80640.65280.47010.81660.65270.6442
sbintuitions/sarashina-embedding-v2-1b0.76590.98040.97820.99540.98580.43650.75610.73710.45290.85520.65520.5916
cl-nagoya/ruri-v3-130m0.76410.98070.96430.98940.99590.32830.77290.75140.45650.83490.71570.6149
cl-nagoya/ruri-v3-310m0.76300.97850.96530.99080.99590.33530.77260.73420.43930.84050.72330.6168
cl-nagoya/ruri-v3-70m0.74730.97050.96200.98620.98960.29740.74610.70930.43920.82010.70500.5947
nvidia/llama-nemotron-embed-vl-1b-v20.74640.97650.96690.98980.99660.29490.70760.64950.42570.86050.71430.6277
codefuse-ai/F2LLM-v2-1.7B0.74260.97900.96990.99320.99800.35840.78570.60120.45970.81810.61530.5897
cl-nagoya/ruri-v3-30m0.73300.97480.95400.99100.98930.28360.72360.65300.46260.81930.66350.5481
cl-nagoya/ruri-large-v20.72600.97500.81840.91450.90830.33770.77440.73360.39330.80210.71360.6152
Qwen/Qwen3-VL-Embedding-2B0.72530.96440.94540.98330.99460.30260.69150.56050.46380.85100.64020.5815
BAAI/bge-m30.72450.95920.91640.97100.95280.21450.70660.51220.50340.85090.72850.6545
google/embeddinggemma-300m0.72300.96270.92310.97570.98660.26830.72090.67490.38520.85240.65420.5490
Snowflake/snowflake-arctic-embed-l-v2.00.71110.97270.94440.98730.96430.23440.72030.43280.46480.85490.66080.5856
sbintuitions/sarashina-embedding-v1-1b0.70780.96880.96610.99160.99200.40250.72230.64120.34200.82540.51240.4219
codefuse-ai/F2LLM-v2-0.6B0.70780.96710.95900.99210.99660.27340.76090.48960.41850.80180.57230.5548
cl-nagoya/ruri-base-v20.70430.96580.78210.89820.90450.29970.75320.69470.36750.80440.68400.5928

Avg is the mean over the 11 JMTEB(v2) retrieval tasks (higher is better). Reproduction: evaluated with the MTEB/JMTEB retrieval pipeline (NDCG@10, full corpus); the query prompt (検索クエリ: ) is applied to queries and the document prompt (検索文書: ) to documents.

License

  • Model weights: cc-by-nc-4.0 (non-commercial use).

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
ModernBertModel
Ревизия весов
1914748

0 моделей