/ Модель

Характеристики

Контекст
40 960 токенов
Параметры
7,6 млрд
Лицензия
CC BY-NC 4.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3-Embedding-8B
Библиотека
sentence-transformers
Опубликована
3 июл 2026

comsat-embed-ja-8b-preview

ЭмбеддингиТекст → embedding9 профессий

Дообученная Sionic AI модель эмбеддингов для семантического поиска преимущественно на японском языке.

132скачиваний 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.

  • NLPJournalTitleAbsRetrieval.V2

    main_score

    Результат

    0,9779

    MTEB

    Публичная таблицадругая ревизия

  • JaqketRetrieval

    main_score

    Результат

    0,7809

    MTEB

    Публичная таблицадругая ревизия

  • JQaRAReranking

    main_score

    Результат

    0,5943

    MTEB

    Публичная таблицадругая ревизия

  • NLPJournalAbsArticleRetrieval.V2

    main_score

    Результат

    0,9973

    MTEB

    Публичная таблицадругая ревизия

  • MultiLongDocRetrieval

    main_score

    Результат

    0,5783

    Общий результат 0,5655
    MTEB

    Публичная таблицадругая ревизия

  • JaCWIRReranking

    main_score

    Результат

    0,8991

    MTEB

    Публичная таблицадругая ревизия

  • ESCIReranking

    main_score

    Результат

    0,8394

    MTEB

    Публичная таблицадругая ревизия

  • NLPJournalAbsIntroRetrieval.V2

    main_score

    Результат

    0,9922

    MTEB

    Публичная таблицадругая ревизия

  • MultiLongDocReranking

    main_score

    Результат

    0,9662

    MTEB

    Публичная таблицадругая ревизия

  • NLPJournalTitleIntroRetrieval.V2

    main_score

    Результат

    0,9781

    MTEB

    Публичная таблицадругая ревизия

  • MIRACLReranking

    main_score

    Результат

    0,7038

    MTEB

    Публичная таблицадругая ревизия

  • MIRACLRetrieval

    main_score

    Результат

    0,7479

    MTEB

    Публичная таблицадругая ревизия

  • JSICK

    main_score

    Результат

    0,8507

    MTEB

    Публичная таблицадругая ревизия

  • MrTidyRetrieval

    main_score

    Результат

    0,64

    MTEB

    Публичная таблицадругая ревизия

  • MintakaRetrieval

    main_score

    Результат

    0,6087

    MTEB

    Публичная таблицадругая ревизия

  • JaGovFaqsRetrieval

    main_score

    Результат

    0,7634

    MTEB

    Публичная таблицадругая ревизия

  • JSTS

    main_score

    Результат

    0,8336

    MTEB

    Публичная таблицадругая ревизия

  • JaCWIRRetrieval

    main_score

    Результат

    0,8948

    MTEB

    Публичная таблицадругая ревизия

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

comsat-embed-ja-8b-preview — плотная декодерная модель эмбеддингов, разработанная Sionic AI и дообученная для семантического поиска на японском языке. Она кодирует запросы и документы в векторы для поиска по смысловой близости и подходит для поиска по документам, базам знаний и корпоративным коллекциям, а также для извлечения материалов при ответах на вопросы.

Модель содержит 7,6 млрд параметров, использует архитектуру Qwen3 и принимает текст. README сообщает о тренировке на более чем 1,5 млн японских примеров и длине входа до 8 192 токенов; метаданные указывают контекст до 40 960 токенов. Векторы размерности 4096 формируются с pooling по последнему токену, нормализуются по L2 и сравниваются по косинусному сходству. Запросы следует кодировать с инструкционным префиксом, документы — без него. На JMTEB v2 модель показала средний NDCG@10 0,8133 по 11 задачам поиска.

Основной язык модели — японский; метаданные также указывают английский. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование. Результаты бенчмарка относятся к описанным условиям оценки; пропуск префикса запроса может снизить качество поиска.

Сценарии применения

  • семантический поиск документов на японском языке
  • извлечение релевантных фрагментов из базы знаний
  • поиск научных статей по названию или аннотации
  • поиск ответов в японских государственных FAQ
  • поиск по длинным документам для подготовки ответов на вопросы

Ограничения

Для запросов требуется инструкционный префикс; его пропуск может ухудшить качество. Лицензия CC BY-NC 4.0 запрещает коммерческое использование без отдельного разрешения.

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-8b-preview

comsat-embed-ja-8b-preview is a decoder-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. By leveraging Japanese retrieval-oriented training data, comsat-embed-ja-8b-preview delivers robust performance across Japanese search environments where accurate semantic matching is essential.

Highlights

  • Japanese-specialized — trained on 1.5M+ Japanese examples and tuned for Japanese search; achieves state-of-the-art average NDCG@10 (0.8133) on the 11-task JMTEB(v2) retrieval benchmark among the compared models.
  • Long context — handles inputs up to 8,192 tokens, well suited to long-document retrieval.
  • Instruction-aware queries — queries are encoded with a task-instruction prompt to improve retrieval quality; documents need no prefix.
  • High-dimensional embeddings — 4096-dimensional, last-token pooled and L2-normalized, compared with cosine similarity.

Usage

First install the Sentence Transformers library

pip install -U sentence-transformers

Sentence Transformers Usage

⚠️ Queries must be encoded with the query prompt; documents are encoded without any prefix. (Skipping the query prompt slightly degrades retrieval quality.)

from sentence_transformers import SentenceTransformer

model = SentenceTransformer("sionic-ai/comsat-embed-ja-8b-preview")

queries  = ["日本の首都はどこですか?"]
passages = ["日本の首都は東京都です。"]

# Option 1) pass the query prompt explicitly (query only; documents get no prefix)
q_emb = model.encode(queries,  prompt_name="query", normalize_embeddings=True)
d_emb = model.encode(passages,                      normalize_embeddings=True)

# Option 2) sentence-transformers 5.x helper API (equivalent result)
# q_emb = model.encode_query(queries)
# d_emb = model.encode_document(passages)

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

Transformers Usage

# Requires transformers>=4.51.0

import torch
import torch.nn.functional as F

from torch import Tensor
from transformers import AutoTokenizer, AutoModel


def last_token_pool(last_hidden_states: Tensor,
                 attention_mask: Tensor) -> Tensor:
    left_padding = (attention_mask[:, -1].sum() == attention_mask.shape[0])
    if left_padding:
        return last_hidden_states[:, -1]
    else:
        sequence_lengths = attention_mask.sum(dim=1) - 1
        batch_size = last_hidden_states.shape[0]
        return last_hidden_states[torch.arange(batch_size, device=last_hidden_states.device), sequence_lengths]


def get_detailed_instruct(task_description: str, query: str) -> str:
    return f'Instruct: {task_description}\nQuery:{query}'

# Each query must come with a one-sentence instruction that describes the task
task = 'Given a web search query, retrieve relevant passages that answer the query'

queries = [
    get_detailed_instruct(task, '日本の首都はどこですか?'),
    get_detailed_instruct(task, '光合成はどのように起こりますか?')
]
# No need to add instruction for retrieval documents
documents = [
    "日本の首都は東京都です。",
    "光合成は、植物が光エネルギーを利用して二酸化炭素と水からブドウ糖を合成する過程です。"
]
input_texts = queries + documents

tokenizer = AutoTokenizer.from_pretrained('sionic-ai/comsat-embed-ja-8b-preview', padding_side='left')
model = AutoModel.from_pretrained('sionic-ai/comsat-embed-ja-8b-preview')

# We recommend enabling flash_attention_2 for better acceleration and memory saving.
# model = AutoModel.from_pretrained('sionic-ai/comsat-embed-ja-8b-preview', attn_implementation="flash_attention_2", torch_dtype=torch.bfloat16).cuda()

max_length = 8192

# Tokenize the input texts
batch_dict = tokenizer(
    input_texts,
    padding=True,
    truncation=True,
    max_length=max_length,
    return_tensors="pt",
)
batch_dict.to(model.device)
outputs = model(**batch_dict)
embeddings = last_token_pool(outputs.last_hidden_state, batch_dict['attention_mask'])

# normalize embeddings
embeddings = F.normalize(embeddings, p=2, dim=1)
scores = (embeddings[:2] @ embeddings[2:].T)
print(scores.tolist())

Japanese Retrieval Benchmark (JMTEB v2)

Performance (JMTEB v2 Retrieval, NDCG@10)

All scores are NDCG@10, measured with the standard MTEB/JMTEB retrieval pipeline. For multilingual tasks the Japanese subset is used (Mintaka/MultiLongDoc/MIRACL=ja, MrTidy=japanese).

ModelAvgNLPJ-TitleAbsNLPJ-TitleIntroNLPJ-AbsIntroNLPJ-AbsArticleMintakaJaGovFaqsJaqketMultiLongDocJaCWIRMIRACLMrTidy
comsat-embed-ja-8b-preview0.81330.97790.97810.99220.99730.60870.76340.78090.56550.89480.74790.6400
codefuse-ai/F2LLM-v2-14B0.79650.97820.98230.99380.99660.58940.82440.74710.48540.81420.69410.6565
Qwen/Qwen3-Embedding-8B0.79240.96490.95170.99000.99730.60230.73130.66420.56490.85900.73880.6524
codefuse-ai/F2LLM-v2-8B0.78550.98080.98820.99320.99660.54380.81490.70500.48240.81210.67450.6485
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
Qwen/Qwen3-VL-Embedding-8B0.77020.97640.96480.98960.99730.49950.70510.68300.49360.84910.69340.6201
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

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 is applied to queries only (documents get no prefix).

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
Qwen3Model
Ревизия весов
0d58847

0 моделей