Модель BERT для задач симметричного сравнения запросов (query). Получена дистилляцией эмбеддингов русских и английских текстов с учётом префикса Qwen/Qwen3-Embedding-8B. Модель принадлежит к виду uncased - не различает при обработке текста буквы, написанные в верхнем и нижнем регистре.

Модель может использоваться для кэшировании и фильтрации запросов к LLM, Q2Q RAG.

Основные характеристики модели:

размер ембеддинга - 384,
длина контекста - 512,
слоёв - 7,
префиксы - не требуются.

Использование

from sentence_transformers import SentenceTransformer

model = SentenceTransformer('sergeyzh/rubert-mini-uncased-query')

sentences = ["восстановление доступа", "как сбросить пароль"]
embeddings = model.encode(sentences)
print(model.similarity(embeddings, embeddings))

Метрики

Оценка качества модели для русского языка выполнена на сравнении близости пар поисковых запросов датасета ai-forever/rubq-retrieval с ответами референсной модели Qwen/Qwen3-Embedding-8B:

Модель	Pearson r	Spearman ρ
Qwen/Qwen3-Embedding-8B	1.000	1.000
sergeyzh/rubert-large-uncased-query	0.850	0.800
Qwen/Qwen3-Embedding-4B	0.845	0.788
Qwen/Qwen3-Embedding-0.6B	0.716	0.655
sergeyzh/rubert-mini-uncased-query	0.714	0.641
intfloat/multilingual-e5-large-instruct	0.707	0.636
intfloat/e5-large	0.654	0.570
sergeyzh/rubert-mini-frida	0.638	0.539
BAAI/bge-m3	0.630	0.533
ai-forever/FRIDA	0.623	0.533