/ Модель

Характеристики

Контекст
16 384 токена
Параметры
149 млн
Лицензия
Apache 2.0
Архитектура
modernbert · dense
Базовая модель
A.X-Encoder-base
Библиотека
PyLate
Опубликована
7 авг 2026

colbert-ko-en-v2

Сходство предложенийТекст → score7 профессий

Двуязычный корейско-английский ColBERT-энкодер для поиска и переранжирования документов с токенным сопоставлением MaxSim.

121скачиваний за 30 дней4лайкавеса обновлены8 авг 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

yjoonjang/colbert-ko-en-v2 — двуязычный поисковый энкодер на основе ColBERT, разработанный для поиска документов на корейском и английском языках. Модель дообучена на skt/A.X-Encoder-base, использует архитектуру ModernBERT и содержит 148,7 млн параметров. Она формирует 128-мерный вектор для каждого токена, а затем сопоставляет запрос и документ методом MaxSim, сохраняя детальные сигналы совпадения между терминами вместо сведения всего текста к одному вектору.

Модель предназначена для поиска по коллекциям документов, отбора top-k результатов и переранжирования кандидатов. Она не требует инструкционных префиксов; запрос может расширяться до 64 токенов, длина документа — до 8192 токенов по README, а нативный контекст в метаданных указан как 16384 токена. В тестах MTEB(kor, v2) README сообщает среднее значение nDCG@10 0,8063 по девяти задачам поиска.

Модель принимает текст запросов и документов и выдаёт токенные векторы и оценки релевантности. Репозиторий распространяется в формате safetensors через библиотеку PyLate по лицензии Apache-2.0. Как и другие модели поиска, качество зависит от соответствия корпуса и запросов языкам и типам данных, на которых модель оценивалась.

Сценарии применения

  • поиск корейских документов по запросу на корейском языке
  • поиск английских документов по запросу на английском языке
  • межъязыковой поиск между корейскими и английскими запросами и документами
  • переранжирование кандидатов, найденных поисковой системой
  • построение индекса для семантического поиска по длинным документам

Ограничения

Оптимизирована для корейского и английского языков; пригодность для других языков и предметных областей не подтверждена приведённой оценкой. Индексация и поиск требуют хранения и обработки векторов для каждого токена, что может быть затратнее по памяти и вычислениям, чем поиск по одному вектору на документ.

Для каких профессий подходит7

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

colbert-ko-en-v2

colbert-ko-en-v2 is a Korean-English bilingual late-interaction (ColBERT) retriever built on skt/A.X-Encoder-base. It encodes every token into a 128-dimensional vector and scores query–document pairs with MaxSim, keeping the term-level matching signal that a single pooled vector discards.

At 149M parameters it reaches an average nDCG@10 of 0.7984 across the nine MTEB(kor, v2) retrieval tasks — the strongest late-interaction model on that suite, and in the same range as single-vector models many times its size.

Key Characteristics

  • Late interaction: one 128-d vector per token, scored with MaxSim. No pooling.
  • Long documents: up to 8,192 tokens, on ModernBERT's RoPE attention.
  • Compact: 149M parameters.
  • No instruction prefixes: queries and documents need no task instruction. Query expansion to 64 tokens is handled by the model.

Usage

pip install -U pylate

Indexing documents

from pylate import indexes, models, retrieve

model = models.ColBERT(model_name_or_path="yjoonjang/colbert-ko-en-v2")

index = indexes.PLAID(
    index_folder="pylate-index",
    index_name="index",
    override=True,
)

documents_ids = ["1", "2", "3"]
documents = [
    "세종대왕은 1443년에 훈민정음을 창제하고 1446년에 이를 반포하였다.",
    "김치는 배추나 무를 소금에 절인 뒤 고춧가루와 젓갈을 넣어 발효시킨 음식이다.",
    "한라산은 해발 1,947m로 남한에서 가장 높은 산이며 제주도 중앙에 자리한다.",
]

documents_embeddings = model.encode(
    documents,
    batch_size=32,
    is_query=False,
    show_progress_bar=True,
)

index.add_documents(
    documents_ids=documents_ids,
    documents_embeddings=documents_embeddings,
)

To reuse an existing index, instantiate it without override:

index = indexes.PLAID(index_folder="pylate-index", index_name="index")

Retrieving top-k documents

retriever = retrieve.ColBERT(index=index)

queries_embeddings = model.encode(
    ["훈민정음은 언제 만들어졌나요?"],
    batch_size=32,
    is_query=True,
    show_progress_bar=True,
)

scores = retriever.retrieve(
    queries_embeddings=queries_embeddings,
    k=10,
)

Reranking

To rerank a first-stage candidate list without building an index:

from pylate import models, rank

model = models.ColBERT(model_name_or_path="yjoonjang/colbert-ko-en-v2")

queries = [
    "전기차 폐배터리는 어떻게 재활용하나요?",
    "겨울에 한라산을 오를 때 필요한 장비는?",
]
documents = [
    [
        "폐배터리에서 리튬과 코발트를 회수하는 습식 제련 공정이 상용화되고 있다.",
        "급속 충전기는 30분 내외로 배터리를 80%까지 충전할 수 있다.",
    ],
    [
        "겨울 한라산 산행에는 아이젠과 방한 장갑이 필수이며 입산 시간이 제한된다.",
        "제주 올레길은 해안을 따라 이어지는 27개 코스로 구성되어 있다.",
        "적설기에는 등산화에 스패츠를 착용해 눈이 들어가는 것을 막는 것이 좋다.",
    ],
]
documents_ids = [[1, 2], [1, 3, 2]]

queries_embeddings = model.encode(queries, is_query=True)
documents_embeddings = model.encode(documents, is_query=False)

reranked_documents = rank.rerank(
    documents_ids=documents_ids,
    queries_embeddings=queries_embeddings,
    documents_embeddings=documents_embeddings,
)

Evaluation

nDCG@10 on the nine MTEB(kor, v2) retrieval tasks.

ModelParamsAvgAutoRAGPubHealthStrategyQALawIRSQuADBelebele (ko-ko)MrTidyMLDRMIRACL
Late-Interaction Models
yjoonjang/colbert-ko-en-v2149M0.80630.96860.82220.79400.71810.98460.96870.57830.69920.7230
lightonai/mLateOn307M0.79060.93920.80610.79050.64310.98030.96080.58170.70050.7135
perplexity-ai/pplx-embed-v1-late-0.6b596M0.73810.85570.80890.79730.72850.96960.95480.54000.28160.7064
dragonkue/colbert-ko-0.1b149M0.67760.97000.74820.73640.44750.97940.96440.39660.28720.5685
yjoonjang/colbert-ko-v1149M0.62820.95570.67830.65600.48230.95940.91540.32790.22140.4575
Single-Vector Models
sionic-ai/comsat-embed-ko-8b-preview7.6B0.79270.85180.88710.83940.81640.91680.98530.62530.51570.6964
Qwen/Qwen3-Embedding-8B7.6B0.78260.82760.87210.83630.81710.90630.98240.61870.50460.6783
Qwen/Qwen3-Embedding-4B4.0B0.77370.84310.86930.82700.77690.90440.95220.60760.50220.6803
microsoft/harrier-oss-v1-27b27.0B0.76670.81760.89710.83610.87370.92040.95460.53060.40460.6653
codefuse-ai/F2LLM-v2-8B7.6B0.76380.76780.93800.83710.84050.88740.95130.61620.40470.6313
dragonkue/snowflake-arctic-embed-l-v2.0-ko568M0.76530.90930.83370.80500.77350.94470.95180.57120.43040.6685
telepix/PIXIE-Rune-v1.5568M0.76180.89270.84260.80640.77050.94570.96170.54920.44820.6393
nlpai-lab/KURE-v1568M0.76160.87080.81930.79990.74260.93570.95020.59090.46370.6816
dragonkue/BGE-m3-ko568M0.75470.87380.81550.79590.73220.94140.95030.60990.38990.6833
nlpai-lab/KoE5560M0.73370.84340.83510.80010.77560.89800.94250.58410.30150.6235

Late-interaction rows were measured with mteb 2.18.16 and PLAID retrieval; single-vector rows are taken from the official MTEB results repository, except for Belebele using only Korean query, Korean corpus subset. The original version also includes cross-lingual subsets (Korean query - English corpus, English query - Korean corpus).

Model Details

  • Model type: ColBERT / PyLate
  • Base model: skt/A.X-Encoder-base — ModernBERT, 22 layers, 768 hidden
  • Parameters: 149M
  • Output dimensionality: 128 per token
  • Similarity function: MaxSim
  • Document length: 8,192 tokens
  • Query length: 64 tokens (MASK expansion)
  • Languages: Korean, English
ColBERT(
  (0): Transformer({'max_seq_length': 8191, 'do_lower_case': False, 'architecture': 'ModernBertModel'})
  (1): Dense({'in_features': 768, 'out_features': 128, 'bias': False, 'activation_function': 'torch.nn.modules.linear.Identity', 'use_residual': False})
)

Citation

@misc{colbert-ko-en-v2,
  title  = {colbert-ko-en-v2: a Korean-English bilingual late-interaction retriever},
  author = {Jang, Yongjoon},
  year   = {2026},
  url    = {https://huggingface.co/yjoonjang/colbert-ko-en-v2},
}
@inproceedings{santhanam-etal-2022-colbertv2,
  title     = {ColBERTv2: Effective and Efficient Retrieval via Lightweight Late Interaction},
  author    = {Santhanam, Keshav and Khattab, Omar and Saad-Falcon, Jon and Potts, Christopher and Zaharia, Matei},
  booktitle = {Proceedings of the 2022 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies},
  year      = {2022},
  pages     = {3715--3734},
}
@misc{PyLate,
  title  = {PyLate: Flexible Training and Retrieval for Late Interaction Models},
  author = {Chaffin, Antoine and Sourty, Raphaël},
  year   = {2024},
  url    = {https://github.com/lightonai/pylate},
}

Как запустить

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

GPU в ailist

Универсальный рантайм · PyLate

Нельзя запустить

Модели PyLate (ColBERT) требуют отдельного рантайма.

Класс архитектуры
ModernBertModel
Ревизия весов
db90105

0 моделей