Yalda Embedding

Yalda Embedding

把波斯语文本转成 1,024 维的嵌入向量，用于语义搜索和检索。适合需要把波斯语问题匹配到正确段落的开发者。

由 Yaldat 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：Yalda Embedding 把波斯语文本转成 1,024 个数字组成的向量，让搜索按含义匹配，而不是只看字面。它是 Qwen3-Embedding-0.6B 的微调版本，用超过一百万组波斯语查询与对应文档的配对训练而成。训练还用到了更大的教师模型 F2LLM-v2-8B 蒸馏出的知识。

适合谁：适合需要在波斯语文本上做检索的开发者和搜索团队，也适合在波斯语任务上比较嵌入模型的研究人员。

行业 | 谁在用 | 怎么用 | 例子
软件 | 后端开发者 | 给波斯语文档库加上按含义匹配的搜索 | 用户问伊朗的首都在哪，得到讲德黑兰的段落
教育 | 学习平台团队 | 把学生的问题匹配到波斯语学习段落 | 问秋天树叶为什么变色，找到讲叶绿素分解的段落
研究 | 自然语言处理研究者 | 在波斯语任务上把它当作检索基线 | 在模型卡列出的 FaMTEB 检索任务上比较分数
知识管理 | 数据团队 | 把内部波斯语文档一次性嵌入并建好索引，供之后查询 | 预先算好段落向量，放进向量库里检索

如果你的文本不是波斯语，可以跳过它，因为模型卡说明它是为波斯语构建和测试的。

用在哪里：只要能运行 Python 和 sentence-transformers 库，它就能用。

• 使用 sentence-transformers 的 Python 脚本和笔记本
• 装好 Python 和 pip 的 Windows、macOS 或 Linux
• 存放你预先算好的文档嵌入的向量搜索系统

使用场景 | 谁用 | 得到什么
语义搜索 | 应用开发者 | 与每条查询含义最接近的段落
稠密检索 | 搜索团队 | 按余弦相似度排序的段落
模型比较 | 研究人员 | 可以和其他模型对照的波斯语检索分数

如何设置：你需要装有 pip 的 Python，还要给权重留出空间，F32 权重约 2.4 GB。

• 装有 pip 的 Python
• 约 2.4 GB 磁盘空间，用来放 F32 的 Safetensors 权重
• sentence-transformers、transformers 和 torch 这几个包

1. 用 pip 安装这三个 Python 库。
2. 可选：用 Hugging Face 的工具把模型文件下载到你的电脑上。
3. 在 Python 里按名称加载模型，写法见下一节。

pip install -U sentence-transformers transformers torch

pip install -U huggingface_hub
hf download Yaldat/Yalda-Embedding

如何使用：先加载模型，把填充方向设为左侧，长度上限设为 512 个词元，再用保存好的查询提示词编码查询，用文档提示词编码段落。两组向量都做归一化，然后把两个矩阵相乘，就得到相似度分数。

from sentence_transformers import SentenceTransformer

model = SentenceTransformer("Yaldat/Yalda-Embedding")
model.tokenizer.padding_side = "left"
model.max_seq_length = 512

queries = [
    "پایتخت ایران کجاست؟",
    "چرا برگ درختان در پاییز تغییر رنگ می‌دهد؟",
]
documents = [
    "تهران پایتخت ایران و یکی از بزرگ‌ترین شهرهای این کشور است.",
    "در پاییز با کاهش نور خورشید، کلروفیل برگ‌ها تجزیه می‌شود و رنگدانه‌های دیگر نمایان می‌شوند.",
    "کتابخانه‌ها فضایی برای مطالعه و دسترسی به منابع علمی فراهم می‌کنند.",
]

query_embeddings = model.encode(
    queries,
    prompt_name="query",
    normalize_embeddings=True,
)
document_embeddings = model.encode(
    documents,
    prompt_name="document",
    normalize_embeddings=True,
)

scores = query_embeddings @ document_embeddings.T
for query, row in zip(queries, scores):
    best_index = int(row.argmax())
    print(f"Query: {query}")
    print(f"Best passage: {documents[best_index]}")
    print(f"Similarity: {row[best_index]:.4f}\n")

工具 | 作用
SentenceTransformer | 按名称加载模型
encode with prompt_name query | 给每条查询加上保存好的搜索指令
encode with prompt_name document | 对段落编码，不加任何指令
normalize_embeddings=True | 让点积等于余弦相似度

示例：拿问题 "پایتخت ایران کجاست؟"（意思是伊朗的首都在哪）和三段波斯语段落来试。脚本会给这四段文本编码，然后打印查询、最佳段落和精确到四位小数的相似度分数。讲德黑兰的那段自然是最合适的匹配。

新手与专家：嵌入就是一串数字，代表一段文本的含义。含义相近的两段文本，得到的数字串方向相近，余弦分数告诉你它们有多接近。先跑一遍 How to use it 里的示例，再换成你自己的波斯语问题和段落。

它的底层是一个解码器式 Transformer，有 28 个块，用分组查询注意力。它从左到右读文本，取最后一个非填充词元作为向量，所以示例里把填充方向设成了左侧。训练用了来自 F2LLM-v2-8B 的关系知识蒸馏。它的取舍是体量和覆盖范围：保持 0.6B 的推理体量，在模型卡的八项任务上接近 4B 的 Qwen 模型，但只测试过 512 个词元。

输入波斯语文本
加上查询或文档提示词
用 28 块的 Transformer 编码
取最后一个词元作为向量
归一化到单位长度
点积得出匹配分数

注意事项：下面的数字来自模型卡自己的评测，请当作它报告的结果来看。

• 输入长度：训练和测试都用 512 个词元，在这个设置下更长的输入会被截断。
• 提示词：模型没有默认提示词，所以搜索查询要由你自己选择查询提示词。
• 报告的分数：模型卡给出在八项波斯语 FaMTEB 检索任务上的平均分 0.5488，4B 的 Qwen 模型是 0.5563。

Title: 八项波斯语任务的平均检索分数
Qwen3-Embedding-4B: 0.5563 分
Yalda Embedding: 0.5488 分
F2LLM-v2-0.6B: 0.5063 分
Diba-Embed: 0.4788 分
Qwen3-Embedding-0.6B: 0.4713 分

• License: Apache 2.0。
• Cost to run: 未提及，来源没有列出 API 密钥、账号或付费服务。
• Data it reaches: 只有你传入的文本，以及它从 Hugging Face 下载的模型文件。
• Not for: 不是波斯语的文本，或超过 512 个词元的输入，模型卡对这些情况没有声称检索质量。

Hugging Face 上的数据（2026年11月14日）

• 任务：sentence similarity
• 框架：sentence-transformers
• 参数量：596M
• Weights: about 2.4 GB in F32; about 298 MB at 4-bit (estimate)
• Formats: Safetensors
• 最近 30 天下载：204
• 点赞：5
• 许可证：apache-2.0
• 语言：fa, eng
• 基于：Qwen/Qwen3-Embedding-0.6B
• 标签：sentence-transformers, safetensors, qwen3, text-generation, persian, text-embeddings, dense-retrieval, semantic-search, transformers, knowledge-distillation, feature-extraction, sentence-similarity

链接

• 模型：https://huggingface.co/Yaldat/Yalda-Embedding
• 文件：https://huggingface.co/Yaldat/Yalda-Embedding/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download Yaldat/Yalda-Embedding

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。