/ Модель

Характеристики

Контекст
512 токенов
Параметры
51,4 млн
Лицензия
MIT
Архитектура
bert · dense
Базовая модель
multilingual-e5-small
Библиотека
sentence-transformers
Опубликована
31 мар 2026

e5-sk-small

ЭмбеддингиТекст → embedding10 профессий

Компактная дообученная модель BERT, создающая эмбеддинги словацких текстов для поиска, сравнения предложений и других задач семантического анализа.

1 114скачиваний за 30 дней0лайковвеса обновлены18 июн 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

e5-sk-small — компактная модель текстовых эмбеддингов для словацкого языка, выпущенная в рамках проекта SkMTEB. Это плотная BERT-модель на базе intfloat/multilingual-e5-small: после сокращения словаря и дообучения она содержит 45 млн параметров по README, а в метаданных указано 51,4 млн; размер вектора составляет 384 измерения. Модель принимает текст и выдаёт эмбеддинги для семантического поиска, сравнения предложений, кластеризации и классификации. Для поиска используйте префикс query: у запроса и passage: у документов; для симметричных задач префикс не нужен.

Модель ориентирована прежде всего на словацкие тексты и показывает результаты на бенчмарке SkMTEB, сопоставимые с multilingual-e5-small и text-embedding-3-small. Также заявлена поддержка межъязыкового поиска между словацким, английским и чешским. Контекстная длина архитектуры по метаданным — 512 токенов; при дообучении использовались последовательности до 256 токенов. Лицензия — MIT, веса доступны для локального запуска.

Сценарии применения

  • семантический поиск по словацким документам
  • подбор документов для RAG по словацкому запросу
  • сравнение смысловой близости словацких предложений
  • кластеризация словацких текстов по эмбеддингам
  • поиск соответствий между словацкими и английскими или чешскими текстами

Ограничения

Оптимизирована для словацкого; перенос на не-славянские языки не оценивался. Сокращение словаря может ухудшить работу с текстом, где смешаны языки, а обучающие данные преимущественно охватывают новости, парламентские и энциклопедические тексты.

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

e5-sk-small

e5-sk-small is a compact Slovak text embedding model (45M parameters, 384-dimensional embeddings) built by applying vocabulary trimming and fine-tuning to multilingual-e5-small. Despite being 62% smaller than the original model, it achieves competitive performance on SkMTEB — the first comprehensive Slovak text embedding benchmark — while remaining fully locally deployable.

Released as part of the SkMTEB project (paper · GitHub · collection).

For a larger, higher-accuracy variant, see e5-sk-large (365M parameters).


Model Details

Base modelintfloat/multilingual-e5-small (via mrshu/e5-small-trim-sk)
Parameters45M (vs. 118M original — 62% reduction)
Embedding dimension384
Max sequence length256 tokens
PoolingMean pooling
LanguagesSlovak (primary); Slovak–English and Slovak–Czech cross-lingual tasks preserved

Usage

This model follows the standard E5 prefix convention: prepend query: to queries and passage: to documents during retrieval. For symmetric tasks (STS, clustering, classification), no prefix is needed.

With sentence-transformers

First install the Sentence Transformers library:

pip install -U sentence-transformers

Then you can load this model and run inference.

from sentence_transformers import SentenceTransformer
 
model = SentenceTransformer("slovak-nlp/e5-sk-small")
 
# Retrieval
query_embedding = model.encode("query: Čo je hlavné mesto Slovenska?")
passage_embedding = model.encode("passage: Bratislava je hlavné a najväčšie mesto Slovenska.")
similarity = model.similarity(query_embedding, passage_embedding)
print(similarity)  # tensor([[0.92...]])
 
# Batch encoding
sentences = [
    "query: Aké je počasie v Bratislave?",
    "passage: V Bratislave je dnes slnečno a teplo.",
    "passage: Bratislava leží na brehu Dunaja.",
]
embeddings = model.encode(sentences)
print(embeddings.shape)  # (3, 384)

With transformers directly

import torch
import torch.nn.functional as F
from transformers import AutoTokenizer, AutoModel
 
def average_pool(last_hidden_states, attention_mask):
    last_hidden = last_hidden_states.masked_fill(~attention_mask[..., None].bool(), 0.0)
    return last_hidden.sum(dim=1) / attention_mask.sum(dim=1)[..., None]
 
tokenizer = AutoTokenizer.from_pretrained("slovak-nlp/e5-sk-small")
model = AutoModel.from_pretrained("slovak-nlp/e5-sk-small")
 
texts = [
    "query: Čo je hlavné mesto Slovenska?",
    "passage: Bratislava je hlavné a najväčšie mesto Slovenska.",
]
 
batch_dict = tokenizer(texts, max_length=512, padding=True, truncation=True, return_tensors="pt")
with torch.no_grad():
    outputs = model(**batch_dict)
 
embeddings = average_pool(outputs.last_hidden_state, batch_dict["attention_mask"])
embeddings = F.normalize(embeddings, p=2, dim=1)
print((embeddings[0] @ embeddings[1]).item())

Prefix guide

TaskInput prefix
Search / retrieval queryquery:
Document / passage to indexpassage:
STS, clustering, classification(no prefix)

Training

How it was built

Step 1 — Vocabulary Trimming. Before fine-tuning, Vocabulary Trimming (Ushio et al., 2023) was applied to multilingual-e5-small to remove tokens irrelevant to Slovak. Token frequencies were computed on FineWeb2-Slovak, a quality-filtered Slovak web corpus, and the top 60K tokens (out of 250K) were retained. This reduced the model from 118M to 45M parameters (62% reduction) without meaningful performance loss.

Step 2 — Fine-tuning. The trimmed model was fine-tuned on curated Slovak datasets from the skLEP benchmark:

DatasetTaskPairs
SK-SQuADQuestion–context retrieval~72K
Slovak NLI (from XNLI)Entailment~393K
Slovak STS (from GLUE STSb)Similarity scoring~6K
Slovak RTE (from GLUE)Textual entailment~2.5K

Training configuration

HyperparameterValue
PoolingMean pooling
Max sequence length256 tokens
Batch size32
Learning rate2 × 10⁻⁵
LR schedulerLinear with 10% warmup
Epochs3
Loss (STS)Cosine Similarity Loss
Loss (other)Multiple Negatives Ranking Loss
Hardware1× NVIDIA H100 (~30 min)
Seed42

Evaluation: SkMTEB Results

Evaluated on SkMTEB — 31 datasets across 7 task types. Scores are percentages (higher is better).

ModelParamsAllBitextClassif.ClusteringPair Clf.RerankingRetrievalSTS
e5-sk-small45M70.5691.3460.8440.9566.0584.9478.6481.32
multilingual-e5-small118M70.3291.2959.8141.0964.6685.1379.2181.25
text-embedding-3-small (API)—70.4891.8262.1343.6463.2482.3776.9679.56
e5-sk-large (ours)365M74.7096.3966.3441.4367.3287.8185.6086.25

e5-sk-small matches text-embedding-3-small (TOST equivalence test: 90% CI within ±2 points), while being open-weight, locally deployable, and free to run. It also outperforms the original multilingual-e5-small (118M) at 62% of the size. Cross-lingual Slovak–English and Slovak–Czech bitext mining performance is preserved within 1 F1 point compared to the original model.


Intended Uses

  • Semantic search and retrieval-augmented generation (RAG) over Slovak text
  • Semantic textual similarity (STS)
  • Text clustering and classification via embedding features
  • Cross-lingual retrieval (Slovak–English, Slovak–Czech)
  • Edge deployment, high-throughput inference, or any setting where model size matters

Limitations

  • Optimised for Slovak; cross-lingual transfer to non-Slavic languages is not evaluated.
  • Vocabulary trimming removes non-Slovak tokens; performance on heavily code-mixed text may be reduced.
  • Training data skews toward news, parliamentary, and encyclopedic domains.
  • Max sequence length during fine-tuning is 256 tokens (underlying architecture supports up to 512).

Citation

@inproceedings{suppa2025skmteb,
  title     = {{SkMTEB}: {Slovak} Massive Text Embedding Benchmark and Model Adaptation},
  author    = {{\v{S}}uppa, Marek and Ridzik, Andrej and Hl{\'a}dek, Daniel and
               Kna{\v{z}}ekov{\'a}, Nat{\'a}lia and Ondrejov{\'a}, Vikt{\'o}ria},
  year      = {2025},
  eprint    = {2606.13647},
  archivePrefix = {arXiv},
  url       = {https://arxiv.org/abs/2606.13647}
}

@inproceedings{reimers-2019-sentence-bert,
  title     = {Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks},
  author    = {Reimers, Nils and Gurevych, Iryna},
  booktitle = {Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing},
  year      = {2019},
  publisher = {Association for Computational Linguistics},
  url       = {https://arxiv.org/abs/1908.10084}
}

License

MIT

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
BertModel
Ревизия весов
46b768a

0 моделей