license: apache-2.0
language:

• vi
  base_model:
• BAAI/bge-m3
  pipeline_tag: sentence-similarity
  library_name: sentence-transformers
  tags:
• Embedding

模型卡片：Vietnamese_Embedding

Vietnamese_Embedding是基于BGE-M3模型（https://huggingface.co/BAAI/bge-m3）微调的嵌入模型，旨在增强越南语检索能力。

• 该模型在约30万组越南语查询、正向文档和负向文档三元组上进行训练。
• 训练时最大序列长度为2048。

模型详情

模型描述

• 模型类型： 句子转换器
• 基础模型： BAAI/bge-m3
• 最大序列长度： 2048个标记
• 输出维度： 1024维
• 相似度计算方式： 点积相似度
• 语言： 越南语
• 许可协议： Apache 2.0

使用方法

from sentence_transformers import SentenceTransformer  
import torch  

model = SentenceTransformer("AITeamVN/Vietnamese_Embedding")  
model.max_seq_length = 2048  
sentences_1 = ["人工智能是什么", "睡眠的好处"]  
sentences_2 = ["人工智能是让机器像人类一样思考和学习的科技。它通过收集数据、识别模式并做出决策来运作。",   
               "睡眠有助于身体和大脑休息，恢复能量并改善记忆。充足睡眠能让人精神清醒，工作效率更高。"]  
query_embedding = model.encode(sentences_1)  
doc_embeddings = model.encode(sentences_2)  
similarity = query_embedding @ doc_embeddings.T  
print(similarity)  

'''  
array([[0.66212064, 0.33066642],  
       [0.25866613, 0.5865289 ]], dtype=float32)  
'''  

评估结果

• 数据集：Legal Zalo 2021完整训练集（本模型未在此数据集上训练）

Vietnamese_Reranker和Vietnamese_Embedding_v2在110万组三元组数据上训练。

虽然Vietnamese_Embedding_v2在法律领域得分略有下降，但由于本阶段数据量更大，在其他领域表现优异。

可通过以下链接访问两个模型：Vietnamese_Embedding_v2、Vietnamese_Reranker

您可以通过运行evaluation_model.py代码复现评估结果（数据从Kaggle下载）。

联系方式

邮箱：nguyennhotrung3004@gmail.com

开发团队

成员：Nguyễn Nho Trung、Nguyễn Nhật Quang

引用

@misc{Vietnamese_Embedding,  
  title={Vietnamese_Embedding: 越南语嵌入模型},  
  author={Nguyen Nho Trung, Nguyen Nhat Quang},  
  year={2025},  
  publisher={Huggingface},  
}