/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
152 млн
Лицензия
Gemma
Архитектура
gemma3_text · dense
Базовая модель
embeddinggemma-300m
Библиотека
sentence-transformers
Опубликована
6 июн 2026

embeddinggemma-pt-br

ЭмбеддингиТекст → embedding9 профессий

Компактный португалоязычный энкодер для получения текстовых эмбеддингов и семантического сравнения текстов.

2 590скачиваний за 30 дней1лайквеса обновлены7 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

embeddinggemma-pt-br — португалоязычная модель для создания текстовых эмбеддингов, подготовленная tardellirs на основе google/embeddinggemma-300m. Это плотный текстовый энкодер семейства Gemma 3 с 151,8 млн параметров, библиотекой Sentence Transformers и контекстом до 2048 токенов. Размер словаря сокращён до 64 тыс. наиболее частотных португальских токенов: матрица токенов была усечена, а энкодер и слои pooling и Dense сохранены без изменений. По README, вариант сохраняет 98,8% результата исходной модели на MTEB(por), при этом обучение не проводилось.

Модель предназначена для получения эмбеддингов и семантического сравнения португалоязычных текстов, например для поиска, классификации, кластеризации и ранжирования. Для других языков качество может быть низким из-за возврата к побайтовой токенизации. Указанная лицензия — Gemma; применяйте модель в соответствии с её условиями.

Сценарии применения

  • семантический поиск по португалоязычным документам
  • сравнение сходства предложений на португальском
  • ранжирование португалоязычных результатов поиска
  • кластеризация текстов на португальском
  • классификация португалоязычных текстов по эмбеддингам

Ограничения

Для языков, отличных от португальского, качество может быть низким: используется побайтовая токенизация. Усечение словаря уменьшает размер модели, но не улучшает качество базовой модели.

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

embeddinggemma-pt-br

A Portuguese-only text-embedding model, vocabulary-trimmed from google/embeddinggemma-300m. It keeps the 64k most frequent Portuguese tokens and drops the rest of the multilingual vocabulary — shrinking the model from ~308M to ~157M parameters (≈ half) while keeping 98.8% of the full model's MTEB(por) score. No training was involved — only the token embedding matrix was sliced; the transformer encoder and the pooling/Dense heads are identical to the base model.

Produced with the open-source tool 🛠️ embedding-vocab-trimmer.

Results — MTEB(por)

The full embeddinggemma-pt-br family (vocabulary size sweep; this model = the 64k sweet spot):

modelparamsMTEB(por) mean_16% of full
google/embeddinggemma-300m~308M0.7257100%
embeddinggemma-pt-br-128k~207M0.719299.1%
embeddinggemma-pt-br (64k, this)~157M0.717298.8%
embeddinggemma-pt-br-48k~144M0.709897.8%
embeddinggemma-pt-br-32k~131M0.688194.8%
embeddinggemma-pt-br-24k~125M0.689595.0%
embeddinggemma-pt-br-16k~119M0.652089.8%

mean_16 = the 16 headline MTEB(por) tasks (classification, pair-classification, STS, clustering, retrieval, reranking). Full curve + charts in the tool's results.

Usage

from sentence_transformers import SentenceTransformer

model = SentenceTransformer("tardellirs/embeddinggemma-pt-br")
emb = model.encode(
    ["O Brasil é um país tropical da América do Sul.",
     "Operações matemáticas envolvem soma e multiplicação."],
    normalize_embeddings=True,
)
print(emb.shape)  # (2, 768)

This model inherits EmbeddingGemma's task-specific prompts. For retrieval, prepend the prompts from the base model card, e.g. task: search result | query: for queries and title: none | text: for documents. Supports Matryoshka output dims (768/512/256/128) via the base model's Dense heads.

How it was made

Mine Portuguese token frequencies → keep top-64k + functional specials → re-index the vocabulary → filter the BPE merges (keep A B → AB only if A, B and AB all survive) → slice embed_tokens.weight → reattach the original encoder + pooling/Dense. Reproduce:

python trim_vocab.py --model google/embeddinggemma-300m --corpus-config por \
    --vocab-size 64000 --output ./embeddinggemma-pt-br

Scope, transparency & limitations

  • This is a compression of Google's EmbeddingGemma. Its quality, training data and behaviour come entirely from the base model — this is a deployment / efficiency artifact. Data provenance is exactly that of EmbeddingGemma.
  • Vocabulary trimming compresses; it does not enhance. Fine-tuning, pruning and distillation from a larger teacher were all tried and reduced MTEB(por) — the base model is at its representational ceiling.
  • Portuguese only — other languages fall back to byte-level tokenization and will be poor.

License

Derived from EmbeddingGemma and distributed under the Gemma Terms of Use. The trimming tool is Apache-2.0.

Benchmark: MTEB(por) — leaderboard.

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
e7d1031

0 моделей