/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
151 млн
Лицензия
Gemma
Архитектура
gemma3_text · dense
Базовая модель
embeddinggemma-300m
Библиотека
sentence-transformers
Опубликована
4 июл 2026

colibri-embed-ptbr

ЭмбеддингиТекст → embedding11 профессий

Компактная модель эмбеддингов для семантического поиска, сравнения и извлечения бразильских португальских текстов.

8 593скачиваний за 30 дней105лайковвеса обновлены8 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 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

Colibri — компактная модель эмбеддингов для текстов на бразильском португальском языке, созданная tardellirs на основе google/embeddinggemma-300m. Это плотный энкодер семейства Gemma 3 Text, опубликованный как обычная SentenceTransformer-модель без адаптеров; после обрезки словаря и других этапов разработки в ней около 150,6 млн параметров. Модель формирует векторы размерности 768, поддерживает усечение до 512, 256 или 128 измерений, имеет варианты fp16 и ONNX и рассчитана на контекст до 2048 токенов.

Модель предназначена для семантического поиска, извлечения документов для RAG, ранжирования, сравнения сходства текстов, кластеризации и классификации. В README сообщается о результатах на бенчмарке MTEB-BR и об оценках скорости на CPU; это результаты авторских испытаний, а не гарантия производительности для любой инфраструктуры. Обучение включало дистилляцию с двух моделей Qwen, объединение чекпойнтов и слияние весов с обрезанной базой; среди учебных данных указаны веб-тексты и бразильские юридические, налоговые и финансовые корпуса.

Лицензия указана как Gemma. Хотя модель рассчитана на португальский Бразилии и может применяться в разных областях, качество на других языках отдельно не подтверждено. Эмбеддинги сами по себе не генерируют ответы: для RAG требуется отдельная генеративная модель.

Сценарии применения

  • семантический поиск по документам на португальском Бразилии
  • извлечение релевантных фрагментов для RAG
  • ранжирование результатов поиска
  • сравнение семантического сходства предложений
  • кластеризация португалоязычных текстов
  • классификация текстов на португальском

Ограничения

Модель ориентирована на бразильский португальский; качество на других языках отдельно не подтверждено. Она создаёт эмбеддинги, а для генерации ответов в RAG нужна отдельная генеративная модель.

Для каких профессий подходит11

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

🐦 Colibri — Brazilian-Portuguese Embeddings

A tiny embedding model that punches far above its weight.

Named after the colibri (hummingbird) — the smallest bird, yet it out-flies much larger ones.

~157M params · 768-dim · plain SentenceTransformer (no adapters) · runs on a cheap CPU VPS


Colibri is a compact Brazilian-Portuguese text-embedding model derived from google/embeddinggemma-300m. Despite being half the size, it matches or beats much larger multilingual embedders on MTEB-BR — including 7B and 27B models — and is designed small on purpose so it runs comfortably on a simple CPU VPS, with no GPU required.

Use cases: Portuguese semantic search, retrieval-augmented generation (RAG), retrieval, reranking, clustering, semantic textual similarity (STS) and classification — for Brazilian-Portuguese text across legal, tax, financial, medical, academic and general domains.

✨ Highlights

  • 🏆 Beats bigger models on MTEB-BR — including embeddinggemma-300m, and 7B / 27B multilingual embedders.
  • 🪶 Half the footprint of embeddinggemma-300m: ~607 MB vs ~1.2 GB, and less RAM.
  • 💻 Runs on a $-few/month CPU VPS — benchmarked on 4 vCPU / 16 GB (no GPU).
  • 🔌 Plain SentenceTransformer — no adapters, no LoRA at inference. Drop-in.
  • 📐 Matryoshka dimensions (768 / 512 / 256 / 128) + an fp16 branch + a fast ONNX path.

🥇 Quality — MTEB-BR

Evaluated on MTEB-BR (22 native Brazilian-Portuguese tasks: retrieval, reranking, STS, classification, clustering, pair-classification). Score = mean over the 22 tasks.

ModelParamsMTEB-BR
🐦 Colibri (this model)~157M0.6501
google/embeddinggemma-300m300M0.6490
Linq-AI-Research/Linq-Embed-Mistral7B0.6473
openai/text-embedding-3-large–0.6449
intfloat/multilingual-e5-large-instruct560M0.6409
Salesforce/SFR-Embedding-2_R7B0.6397
Alibaba-NLP/gte-Qwen2-7B-instruct7B0.6392
microsoft/harrier-oss-v1-27b27B0.6390
BAAI/bge-m3568M0.6157
intfloat/multilingual-e5-large560M0.5909

A ~157M-parameter model outperforming 7B–27B multilingual embedders on Brazilian Portuguese.

Size ↔ quality frontier. Colibri sits on the open-model Pareto frontier for MTEB-BR — it dominates its own base embeddinggemma-300m (half the size, higher score) and matches models up to ~10× larger:

MTEB-BR open-model size vs quality frontier — Colibri anchors the knee


💻 Built for a simple CPU VPS

Colibri was designed to be small enough for cheap, GPU-less hosting. Benchmarked head-to-head against google/embeddinggemma-300m on a Verda CPU.4V.16G (4 vCPU, 16 GB RAM) — a typical small VPS — encoding Brazilian-Portuguese sentences:

PrecisionModelModel sizePeak RAMLatency (p50)Throughput
fp32🐦 Colibri607 MB969 MB76 ms37 sent/s
fp32embeddinggemma-300m1211 MB1253 MB78 ms36 sent/s
ONNX🐦 Colibri~600 MB2.9 GB33 ms49 sent/s
ONNXembeddinggemma-300m~1200 MB5.3 GB38 ms41 sent/s

Takeaways

  • Half the size and less RAM than embeddinggemma-300m — fits a smaller, cheaper VPS.
  • Same encode latency at equal precision (the vocabulary trim shrinks the token-embedding matrix, not the transformer compute) — you lose nothing in speed.
  • The ONNX backend roughly doubles throughput (33 ms vs 76 ms) — best when latency matters; fp32 is the most RAM-frugal.

Benchmark hardware: Verda CPU.4V.16G. Numbers are indicative single-node CPU measurements.


🚀 Usage

from sentence_transformers import SentenceTransformer

model = SentenceTransformer("tardellirs/colibri-embed-ptbr")

query = "Como declarar imposto de renda de aluguel?"
docs = [
    "Rendimentos de aluguel devem ser informados na ficha de Rendimentos Tributáveis...",
    "O Pix é um meio de pagamento instantâneo criado pelo Banco Central...",
]

q = model.encode(query, prompt_name="query")      # "task: search result | query: "
d = model.encode(docs, prompt_name="document")    # "title: none | text: "
print(model.similarity(q, d))

Faster on CPU — ONNX backend (≈2× throughput, no code changes to your pipeline):

model = SentenceTransformer("tardellirs/colibri-embed-ptbr", backend="onnx")

Prompts follow EmbeddingGemma conventions (query / document / classification / clustering / similarity).


🎛️ Variants: precision & dimension

Precision — a half-precision branch (same quality, half the size; best for GPU/storage — on CPU it's not faster):

VariantLoadSize
fp32 (default)SentenceTransformer("tardellirs/colibri-embed-ptbr")~607 MB
fp16SentenceTransformer("tardellirs/colibri-embed-ptbr", revision="fp16")~304 MB

Matryoshka dimensions — truncate the 768-dim output to 512 / 256 / 128 for smaller vectors (cheaper index, faster search) with a graceful quality trade-off:

model = SentenceTransformer("tardellirs/colibri-embed-ptbr", truncate_dim=256)

(The MTEB-BR score above is for the full 768-dim embeddings.)


🔧 How it was built

A three-stage pipeline: vocabulary trimming → knowledge distillation → model soup.

1. Vocabulary trimming. tardellirs/embeddinggemma-pt-br trims embeddinggemma-300m's 262k multilingual vocabulary down to a ~64k Brazilian-Portuguese vocabulary, cutting the model from ~300M to ~157M effective parameters with negligible quality loss. Code: github.com/tardellirs/embedding-vocab-trimmer.

2. Knowledge distillation. Relational (similarity-preserving) KD from two complementary teachers — Qwen/Qwen3-Embedding-4B (strong at clustering) and Qwen/Qwen3-Embedding-8B (strong at retrieval / reranking). The student learns to reproduce the average of the two teachers' pairwise-similarity matrices (dimension-agnostic; preserves STS). Trained on a diverse ~100k-passage corpus of native Brazilian Portuguese spanning legal, tax, financial, medical, academic, technical, encyclopedic and general-web domains:

DomainSources
General webHuggingFaceFW/fineweb-2 (pt)
Legaljurisprudencias_stj, leis_ordinarias_1988_2024
Taxcodigo_tributario
Financial regulationbbrc, bacen2024
AcademicBrazilian scientific abstracts, corpus-carolina
MedicalBrazilian clinical / health texts
TechnicalStack Overflow em Português
EncyclopedicWikipedia-PT

Evaluation integrity: the model is trained only on training / non-evaluation splits — every MTEB-BR evaluation example is held out, so the scores reflect generalization, not memorization.

3. Model soup + merge. Distillation checkpoints were combined (model soup / weight averaging) and linearly merged with the trimmed base, with the mixing weight chosen on held-out validation. Both operations yield ordinary weights, so the published model is a single standalone encoder.


🔗 Links


🙏 Acknowledgments

We gratefully acknowledge Verda for the GPU compute credits that supported this work.

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
Gemma3TextModel
Ревизия весов
95a4d4f

0 моделей