/ 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
2 июл 2026

comsat-embed-ko-8b-preview

ЭмбеддингиТекст → embedding10 профессий

Корейская модель эмбеддингов Sionic AI для семантического поиска и извлечения релевантных документов.

154скачиваний за 30 дней19лайковвеса 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 оценки10

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

  • PublicHealthQA

    main_score

    Результат

    0,8872

    MTEB

    Публичная таблицаревизия совпадает

  • MIRACLRetrieval

    main_score

    Результат

    0,6964

    MTEB

    Публичная таблицаревизия совпадает

  • MultiLongDocRetrieval

    main_score

    Результат

    0,5183

    Общий результат 0,5131
    MTEB

    Публичная таблицаревизия совпадает

  • BelebeleRetrieval

    main_score

    Результат

    0,9853

    Общий результат 0,9903Общий результат 0,9806
    MTEB

    Публичная таблицаревизия совпадает

  • AutoRAGRetrieval

    main_score

    Результат

    0,8518

    MTEB

    Публичная таблицаревизия совпадает

  • MIRACLReranking

    main_score

    Результат

    0,6846

    MTEB

    Публичная таблицаревизия совпадает

  • Ko-StrategyQA

    main_score

    Результат

    0,8394

    MTEB

    Публичная таблицаревизия совпадает

  • SQuADKorV1Retrieval

    main_score

    Результат

    0,9168

    MTEB

    Публичная таблицаревизия совпадает

  • LawIRKo

    main_score

    Результат

    0,8164

    MTEB

    Публичная таблицаревизия совпадает

  • MrTidyRetrieval

    main_score

    Результат

    0,6253

    MTEB

    Публичная таблицаревизия совпадает

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

comsat-embed-ko-8b-preview — модель эмбеддингов на основе декодерной архитектуры Qwen3, разработанная Sionic AI и дообученная для семантического поиска на корейском языке. Она кодирует запросы и документы в векторы размерностью 4096 для поиска по сходству; по данным карточки, обучение включало более миллиона корейских примеров. Для запросов требуется task-инструкция, документы кодируются без префикса.

Модель предназначена для поиска документов, извлечения сведений из баз знаний и семантического поиска в корпоративных системах, в том числе по длинным текстам. В карточке заявлен контекст до 8192 токенов; метаданные указывают нативное окно до 40960 токенов. На корейском подмножестве бенчмарка MTEB модель показала средний NDCG@10 0,7930 по девяти наборам данных. Поддерживаемые языки — корейский и английский, при этом основная специализация — корейский.

Модель содержит 7,6 млрд параметров и распространяется в формате safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое. Результаты поиска зависят от правильного применения инструкции к запросам; заявленные показатели относятся к указанной методике бенчмарка и не гарантируют качество на других корпусах.

Сценарии применения

  • поиск корейских документов по смыслу
  • поиск релевантных фрагментов для корейской RAG-системы
  • извлечение законов и судебных прецедентов по запросу
  • поиск сведений в корпоративной базе знаний
  • поиск по длинным корейским документам

Ограничения

Для запросов необходимо использовать task-инструкцию, иначе качество поиска может снизиться. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

Для каких профессий подходит10

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-ko-8b-preview

comsat-embed-ko-8b-preview is a decoder-based embedding model developed by Sionic AI, optimized for Korean semantic retrieval tasks. Trained on over 1M Korean 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 Korean retrieval-oriented training data, comsat-embed-ko-8b-preview delivers robust performance across Korean search environments where accurate semantic matching is essential.

Highlights

  • Korean-specialized — trained on 1M+ Korean examples and tuned for Korean search; achieves state-of-the-art average NDCG@10 (0.7930) on the 9-subset MTEB Korean 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-ko-8b-preview")

queries  = ["한국의 수도는 어디인가?"]
passages = ["대한민국의 수도는 서울특별시이다."]

# 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, '한국의 수도는 어디인가?'),
    get_detailed_instruct(task, '광합성은 어떻게 일어나는가?')
]
# No need to add instruction for retrieval documents
documents = [
    "대한민국의 수도는 서울특별시이다.",
    "광합성은 식물이 빛 에너지를 이용해 이산화탄소와 물로 포도당을 합성하는 과정이다."
]
input_texts = queries + documents

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

# We recommend enabling flash_attention_2 for better acceleration and memory saving.
# model = AutoModel.from_pretrained('sionic-ai/comsat-embed-ko-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())

Korean Retrieval Benchmark

  • LawIRKo: A Korean legal-domain retrieval dataset for finding statutes and precedents relevant to legal queries.
  • SQuADKorV1Retrieval: A Korean Wikipedia passage retrieval dataset based on Korean SQuAD v1.
  • AutoRAGRetrieval: A Korean document retrieval dataset constructed by parsing PDFs from five domains: finance, public, medical, legal, and commerce.
  • Ko-StrategyQA: A Korean ODQA multi-hop retrieval dataset, translated from StrategyQA.
  • PublicHealthQA: A retrieval dataset focused on medical and public health domains in Korean.
  • BelebeleRetrieval: A Korean document retrieval dataset based on FLORES-200.
  • MultiLongDocRetrieval: A long-document retrieval dataset covering various domains in Korean.
  • MIRACLRetrieval: A Korean document retrieval dataset based on Wikipedia.
  • MrTidyRetrieval: A Wikipedia-based Korean document retrieval dataset.

Performance (MTEB Korean Retrieval, NDCG@10)

All scores are NDCG@10 on the full corpus, measured with the standard MTEB evaluation pipeline. For multilingual tasks the Korean subset is used (MLDR=ko, MIRACL/MrTidy=ko, Belebele=kor-kor).

ModelAvgMIRACLMrTidyMLDRAutoRAGKo-StrategyQAPublicHealthQABelebeleSQuADKorV1LawIRKo
comsat-embed-ko-8b-preview0.79300.69640.62530.51830.85180.83940.88710.98530.91680.8164
Qwen/Qwen3-Embedding-8B0.78250.67830.61870.50360.82760.83630.87210.98280.90630.8171
Qwen/Qwen3-Embedding-4B0.77180.68030.60760.48950.84310.82700.86930.94790.90440.7769
upstage/solar-embedding-1-large0.76740.67030.57660.38500.88330.83660.87870.96840.95210.7557
microsoft/harrier-oss-v1-27b0.76690.66530.53060.40730.81760.83610.89710.95380.92040.8737
dragonkue/snowflake-arctic-embed-l-v2.0-ko0.76360.66850.57120.41500.90930.80500.83370.95180.94470.7735
codefuse-ai/F2LLM-v2-8B0.76210.63110.61620.39500.76780.83710.93320.95090.88740.8405
nlpai-lab/KURE-v10.76030.68160.59090.45210.87080.79990.81930.95020.93570.7426
telepix/PIXIE-Rune-v1.50.76020.63930.54920.43400.89270.80640.84260.96170.94570.7705
nvidia/llama-nemotron-embed-vl-1b-v20.75790.69750.59980.37040.87730.80840.82230.95840.93600.7513
dragonkue/BGE-m3-ko0.75340.68330.60990.37840.87380.79590.81550.95030.94140.7322
BAAI/bge-m30.75080.70150.64710.42730.83010.79410.80410.93160.90380.7174
intfloat/multilingual-e5-large0.73330.66490.64210.27080.81340.80350.82530.94500.90560.7293
nlpai-lab/KoE50.73290.62350.58410.29420.84340.80010.83510.94250.89800.7756

Avg is the mean over the 9 subsets (higher is better). Reproduction: evaluated with the MTEB 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
a5cc22b

0 моделей