/ Модель

Характеристики

Контекст
512 токенов
Параметры
124 млн
Лицензия
Apache 2.0
Архитектура
bert · dense
Базовая модель
paraphrase-multilingual-MiniLM-L12-v2
Библиотека
sentence-transformers
Опубликована
1 июн 2026

uzbek-minilm

ЭмбеддингиТекст → embedding10 профессий

Модель превращает узбекские и английские предложения в векторы для семантического поиска, извлечения документов и сравнения сходства.

114скачиваний за 30 дней1лайквеса обновлены1 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

uzbek-minilm — модель эмбеддингов предложений на базе BERT, дообученная разработчиком sukhrobnurali на многоязычной sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 для семантического поиска и извлечения документов на узбекском языке, а также поиска между узбекским и английским. Модель содержит 124,3 млн параметров, преобразует текст в нормализованные векторы и принимает предложения или документы без специальных префиксов; максимальная длина контекста — 512 токенов. По README, дообучение на парах узбекских текстов заметно улучшило результаты поиска относительно базовой модели.

Модель подходит для поиска фрагментов в узбекских корпусах и RAG, сравнения сходства предложений, кластеризации и двуязычного поиска uz↔en. Разработчик сообщает высокие результаты на тесте узбекского поиска, но на кросс-языковой оценке модель уступает своей модели uzbek-e5-small. Качество кириллического узбекского проверено ограниченно; редкие тематики представлены хуже, а часть параллельных данных содержит шум машинного перевода. Лицензия — Apache 2.0.

Сценарии применения

  • поиск документов на узбекском языке для RAG
  • извлечение абзацев по запросу на узбекском
  • поиск соответствий между узбекскими и английскими предложениями
  • сравнение семантического сходства предложений
  • кластеризация узбекских текстов

Ограничения

Качество для кириллического узбекского проверено ограниченно, а редкие предметные области представлены хуже; часть обучающих параллельных данных содержит шум машинного перевода. В кросс-языковом поиске uz↔en модель уступает uzbek-e5-small.

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

uzbek-minilm

A multilingual sentence-embedding model fine-tuned from sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 for Uzbek semantic search and retrieval, including cross-lingual uz↔en.

This model demonstrates the large gain achievable when the base model is weak at the target language. The base MiniLM handles Uzbek poorly (Recall@1 = 0.26); after one epoch on Uzbek pairs it reaches Recall@1 = 0.97. The companion flagship sukhrobnurali/uzbek-e5-small starts from a stronger base and is the recommended model for cross-lingual work.

Intended use

  • Uzbek semantic search / passage retrieval (RAG over Uzbek documents).
  • Cross-lingual uz↔en retrieval and bitext alignment.
  • General-purpose Uzbek sentence similarity and clustering.

Unlike e5, this model uses no input prefixes — encode queries and documents as plain text. Embeddings are L2-normalized; compare with cosine similarity.

Usage

from sentence_transformers import SentenceTransformer

model = SentenceTransformer("sukhrobnurali/uzbek-minilm")

query = ["O'zbekistonning poytaxti qaysi shahar?"]
passages = [
    "Toshkent — O'zbekiston Respublikasining poytaxti va eng yirik shahri.",
    "Samarqand — O'zbekistondagi qadimiy shaharlardan biri.",
]

q_emb = model.encode(query, normalize_embeddings=True)
p_emb = model.encode(passages, normalize_embeddings=True)
scores = q_emb @ p_emb.T
print(scores)  # highest score on the Tashkent passage

Requires sentence-transformers>=5.5.1 — the version the model was saved with. Older versions cannot load it (ModuleNotFoundError: No module named 'sentence_transformers.base').

Evaluation

The same protocol is applied to the base and fine-tuned models so the delta is a fair comparison. Both held-out sets are disjoint from training: the retrieval split is the dataset's wiki_retrieval_eval/test; FLORES+ training only ever sees dev (via the dataset's validation split), so devtest stays clean.

Monolingual Uzbek retrieval — wiki_retrieval_eval/test (5,000 title→paragraph)

MetricBaseFine-tunedΔ
Recall@10.25640.9692+0.7128
Recall@50.37420.9854+0.6112
Recall@100.43140.9892+0.5578
MRR@100.30720.9765+0.6693
nDCG@100.33670.9796+0.6429

Cross-lingual uz↔en bitext — FLORES+ devtest (1,012 pairs)

MetricBaseFine-tunedΔ
uz→en accuracy0.45750.8745+0.4170
en→uz accuracy0.48720.8251+0.3379
Mean accuracy0.47230.8498+0.3775

Fine-tuning nearly closes the monolingual gap — the fine-tuned MiniLM (R@1 = 0.969) almost matches the e5 baseline (0.987). On cross-lingual FLORES it still trails the e5 family (0.85 vs 0.99), so prefer uzbek-e5-small when uz↔en accuracy matters most.

Training data

sukhrobnurali/uzbek-embedding-pairs — 356,278 (anchor, positive) pairs in the default/train split, used as-is:

SourceSharePair type
Uzbek Wikipedia~56%title ↔ paragraph
OPUS-100 uz↔en~34%parallel sentence ↔ translation
Latin↔Cyrillic~10%same sentence, two scripts

No prefixes are applied for this model family.

Limitations

  • Low-resource language: coverage is thinner than for high-resource languages, and rare domains (legal, medical, dialectal) are under-represented.
  • Part of the data is OPUS-100, which carries machine-translation noise.
  • The monolingual eval is a title→paragraph proxy for retrieval, not a curated query set.
  • Trained on Latin-script Uzbek; Cyrillic appears only via the script-pair source, so Cyrillic retrieval quality is less thoroughly evaluated.
  • Cross-lingual uz↔en accuracy trails the e5-based model; use uzbek-e5-small for that.

Reproducibility

Fixed seed (42); 1 epoch of MultipleNegativesRankingLoss with in-batch negatives, batch size 192, lr 2e-5, 10% warmup, max_seq_length=192, bf16 on Ampere. All hyperparameters live in config.py; training and evaluation scripts are in the training repository.

License

Apache 2.0, inherited from the base model paraphrase-multilingual-MiniLM-L12-v2.

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
cc59dfe

0 моделей