/ Модель

Характеристики

Контекст
256 токенов
Параметры
149 млн
Лицензия
MIT
Опубликована
4 янв 2026

norbert4-base-scandinavian-embedding

ЭмбеддингиТекст → embedding9 профессий

Модель преобразует тексты на норвежском, датском и шведском языках в эмбеддинги для семантического поиска и извлечения документов.

4 242скачиваний за 30 дней0лайковвеса обновлены4 янв 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

thivy/norbert4-base-scandinavian-embedding — модель эмбеддингов на базе ltg/norbert4-base, разработанная для норвежского букмола и нюнорска, датского и шведского языков. Она обучена на смеси наборов данных для семантического сходства, поиска по вопросам и документам, а также общего поиска; обучение включало 1,6 млн примеров с попарными данными и триплетами.

Модель предназначена для преобразования текстов в векторы размерностью 640, чтобы выполнять семантический поиск, извлечение документов по запросу, сравнение предложений, кластеризацию и классификацию. Максимальная длина последовательности — 256 токенов. В приведённых бенчмарках MTEB модель улучшает показатели поиска относительно вариантов, обученных только на данных QA или NLI.

Модель распространяется по лицензии MIT. Она оптимизирована для скандинавских языков и лучше всего подходит для задач поиска; тексты длиннее 256 токенов обрезаются, а модель не предназначена для следования инструкциям.

Сценарии применения

  • семантический поиск по норвежским документам
  • поиск релевантных документов по вопросу на датском языке
  • сопоставление предложений на шведском языке
  • поиск с учётом смысла между норвежским, датским и шведским текстом
  • кластеризация скандинавских текстов по смыслу
  • извлечение документов для системы вопросов и ответов

Ограничения

Максимальная длина входа составляет 256 токенов, поэтому более длинные тексты обрезаются. Модель оптимизирована для скандинавских языков и задач поиска, а не для следования инструкциям.

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

NorBERT4-base Scandinavian Embedding Model

Multi-dataset trained embedding model for Norwegian, Danish, and Swedish languages.

Model Details

  • Base Model: ltg/norbert4-base
  • Embedding Dimension: 640
  • Max Sequence Length: 256 tokens
  • Languages: Norwegian (Bokmål & Nynorsk), Danish, Swedish
  • Training Approach: Multi-dataset ROUND_ROBIN sampling

Training Data

Total: 1.6M samples across 3 Scandinavian languages

1. NLI Dataset (556k samples, Norwegian)

  • Source: Fremtind/all-nli-norwegian
  • Format: (anchor, positive, negative) triplets
  • Purpose: Natural language understanding and semantic similarity

2. Question-Answering Dataset (100k samples, NO+DA+SV)

  • NorQuAD: ltg/norquad - Norwegian QA
  • NorBookQA: ltg/norbookqa - Norwegian OpenBookQA
  • ScandiQA: alexandrainst/scandi-qa - Scandinavian QA (NO+DA+SV)
  • Supervised-DA: Danish sentence pairs
  • Format: (query, positive) pairs
  • Purpose: Question-document retrieval

3. DDSC Nordic Dataset (949k samples, NO+DA+SV)

  • Source: DDSC/nordic-embedding-training-data
  • Format: (query, positive, [negative]) pairs
  • Composition: 40% with hard negatives, 60% with in-batch negatives
  • Purpose: General retrieval with hard negative mining

Training Details

  • Strategy: ROUND_ROBIN multi-dataset sampling (prevents catastrophic forgetting)
  • Batch Size: 16 (effective batch size: 32 with gradient accumulation)
  • Learning Rate: 5e-6 (low LR to prevent overfitting)
  • Epochs: 1 epoch through all datasets
  • Loss: MultipleNegativesRankingLoss
  • Early Stopping: Tracks average loss across all three datasets
  • Regularization: weight_decay=0.015, no warmup

Performance

MTEB Retrieval Benchmarks (vs previous models):

TaskMulti-DatasetQA-onlyNLI-onlyImprovement
NorQuadRetrieval (ndcg@10)0.2320.2090.163+11.0%
SNLRetrieval (ndcg@10)0.8180.7650.519+6.9%

Usage

from sentence_transformers import SentenceTransformer

model = SentenceTransformer("thivy/norbert4-base-scandinavian-embedding")

# Encode sentences
sentences = [
    "Dette er en norsk setning",
    "Detta är en svensk mening", 
    "Dette er en dansk sætning"
]

embeddings = model.encode(sentences)

# Compute similarity
from sentence_transformers.util import cos_sim
similarity = cos_sim(embeddings[0], embeddings[1])

Intended Use

  • Semantic search across Scandinavian languages
  • Document retrieval and ranking
  • Question-answering systems
  • Cross-lingual similarity (NO/DA/SV)
  • Text clustering and classification

Limitations

  • Max sequence length: 256 tokens (longer texts are truncated)
  • Optimized for Scandinavian languages (Norwegian, Danish, Swedish)
  • Best performance on retrieval tasks (not instruction-following)

Citation

If you use this model, please cite:

@misc{norbert4-scandi-embedding,
  title={NorBERT4 Scandinavian Embedding Model},
  author={Thivyesh Ahilathasan},
  year={2025},
  url={https://huggingface.co/thivy/norbert4-base-scandinavian-embedding}
}

Related Models

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
GptBertModel
Ревизия весов
4f6197a

0 моделей