Vör-LateEmbed-TR
Perplexity'nin pplx-embed-v2-late-0.6b modelinden ince ayarlanmış, arama ve RAG için Türkçe geç etkileşimli (late-interaction) getirme ve yeniden sıralama modeli. RuneLab'in bir modeli; Hati ya da Sköll modeli değil.
YayınlandıApache 2.00,6B
Vör-LateEmbed-TR, anlamsal arama ve RAG için bir Türkçe getirme (retrieval) ve yeniden sıralama (reranking) modelidir. Türkçe sorarsınız, doğru pasajı bulur. Geç etkileşimli (late-interaction) bir modeldir: bir pasajı tek bir vektöre sıkıştırmak yerine her token için bir vektör tutar ve sorguyu pasajla token token karşılaştırır (ColBERT tarzı MaxSim). RuneLab tarafından yapıldı ve Hati ya da Sköll modeli değildir.
Perplexity'nin pplx-embed-v2-late-0.6b modelinden ince ayarlandı ve 12 Ekim 2026'da Apache 2.0 lisansıyla yayınlandı. Kendi değerlendirmemizde, ölçtüğümüz beş resmi Türkçe test setinin (TurkColBERT) beşinde de Türkçe pasajları temel modelinden daha iyi sıralıyor; temel modelin İngilizce ve görsel belge becerisini de koruyor.
Bir bakışta
Kısa bilgiler
#
- Parametre
- 0,6B
- Lisans
- Apache 2.0
- Yayın tarihi
- Parametre
- 0,6B (594,5M parametre; token embedding tablosu hariç 340,2M)
- Temel model
- Perplexity pplx-embed-v2-late-0.6b
- İnce ayar
- LoRA (rank 16, alpha 32), ağırlıklara birleştirildi
- Embedding boyutu
- Token başına bir 128 boyutlu vektör (geç etkileşim, MaxSim)
- Dizi uzunlukları
- Sorgu 1.024, belge 4.096 token
- Görev
- Türkçe pasaj getirme ve yeniden sıralama (arama ve RAG)
- Diller
- Türkçe, İngilizce
- Lisans
- Apache 2.0
- Yayın tarihi
- Hugging Face'te model
- runelab-ai/Vor-LateEmbed-TR-0.6B-v1
Bu bilgiler model kartında yazdığı gibidir. Model, temel modeliyle aynı boyutta ve aynı API'ye sahiptir; geçiş için hattınızı yeniden yazmanız gerekmez, belgelerinizi yeniden indekslemeniz yeterlidir.
Doğru kullanım
Ne için?
#Kullanım alanları
#- Arama ve RAG sistemlerinde Türkçe pasaj getirme ve yeniden sıralama
- Türkçe ve İngilizce karışık belge koleksiyonları
- Türkçe için geç etkileşimli getirme araştırmaları
Ne için değil?
#- Sohbet ya da metin üretimi: bir getiricidir, dil modeli değildir
- Tek vektörlü bir embedding modelinin doğrudan yerine: çok vektörlü bir indeks ya da yeniden sıralama adımı gerekir
- Getirilen pasajlar insanlarca incelenmeden verilen tıbbi, hukuki ya da finansal kararlar
Türkçe hukuk metinleri için tek vektörlü bir model mi arıyorsunuz? Kenning Turkish Legal sayfasına bakın. Getirmenin doğru pasajı adım adım nasıl bulduğunu görmek için RAG yanıtları nasıl bulur? yazısını okuyun.
Kendi değerlendirmemizde
Kıyaslamalar
#Bu bölümdeki her sayı, model kartında bildirildiği gibi, kendi değerlendirmemizden gelir. Skor nDCG@10'dur (yüksek olan iyidir, en çok 100): doğru pasajları ilk on sonucun üst sıralarına koymayı ödüllendirir. Her test seti yalnızca bir kez, yalnızca son model üzerinde ve iki model için aynı ayarlarla ölçüldü.
Türkçe getirme
#TurkColBERT, Türkçeye çevrilmiş beş BEIR test setinden oluşur. XQuAD-TR, XQuAD sorularından oluşturulmuş Türkçe pasaj getirme setidir.
Türkçe getirme, nDCG@10: temel model ve Vör-LateEmbed-TR
Skor, 0 ile 100 arası
Okumak için bir satırın üzerine gelin, dokunun ya da odaklanın.
- Temel model
- Vör
Çubuklar 0 ile 100 arasındadır. Değişimler kartta belirtildiği gibidir.
| Görev | Temel model | Vör-LateEmbed-TR | Değişim |
|---|---|---|---|
| SciFact-TR | 70,19 | 71,23 | +1,04 |
| ArguAna-TR | 41,85 | 42,03 | +0,18 |
| FiQA-TR | 28,50 | 31,46 | +2,96 |
| SciDocs-TR | 12,62 | 14,48 | +1,86 |
| NFCorpus-TR | 29,56 | 31,66 | +2,09 |
| TurkColBERT ortalaması (5) | 36,54 | 38,17 | +1,62 |
| XQuAD-TR | 97,04 | 97,49 | +0,45 |
Çubuklar 0 ile 100 arasındadır. Değişimler kartta belirtildiği gibidir.
Vör, beş TurkColBERT setinin beşinde de temel modelinin üzerinde: ortalamada +1,62, yani 36,54'ten 38,17'ye (kartın %95 güven aralığı +1,27 ile +2,00). En büyük kazançlar FiQA-TR (+2,96), NFCorpus-TR (+2,09) ve SciDocs-TR (+1,86) setlerinde. SciFact-TR (+1,04) ve ArguAna-TR (+0,18) kazancı gürültü sınırında: güven aralığı sıfırı içeriyor. XQuAD-TR 97,04'ten 97,49'a çıkıyor.
Ortalamada yalnızca +1,62. Geçmeye değer mi?
Boyut da API de aynı; maliyeti tek bir yeniden indeksleme. Kazanç en çok finans, tıp ve bilim setlerinde; önce kendi belgelerinizde deneyin.
Genel beceri
#Buradaki amaç İngilizce ya da sayfa görüntüsü aramasını iyileştirmek değil, korumaktı. İngilizce NanoBEIR (her biri 50 sorgulu altı küçük set) 69,10'dan 70,20'ye, ViDoRe (sayfa görüntüsü getirme, 880 sorgu) 99,08'den 99,04'e gidiyor. Kart bunlar için güven aralığı hesaplamadı; eğitim verisinde İngilizce MS MARCO da olduğu için İngilizcedeki kazanç alan dışı (out-of-domain) bir sonuç sayılmaz.
Genel beceri, nDCG@10: temel model ve Vör-LateEmbed-TR
Skor, 0 ile 100 arası
Okumak için bir satırın üzerine gelin, dokunun ya da odaklanın.
- Temel model
- Vör
Çubuklar 0 ile 100 arasındadır. Değişimler kartta belirtildiği gibidir.
| Görev | Temel model | Vör-LateEmbed-TR | Değişim |
|---|---|---|---|
| NanoBEIR, İngilizce (6 set) | 69,10 | 70,20 | +1,10 |
| ViDoRe, sayfa görüntüleri (3 set) | 99,08 | 99,04 | −0,04 |
Çubuklar 0 ile 100 arasındadır. Değişimler kartta belirtildiği gibidir.
Deneyin
Nasıl çalıştırılır?
#sentence-transformers 6.1 ya da daha yenisini kurun.
pip install -U "sentence-transformers>=6.1"Sonra kodlayıp sıralayın. encode_query ve encode_document, [Q] ve [D] istemlerini sizin yerinize ekler; similarity MaxSim skorlarını döndürür. Bu, kartın kendi örneğidir.
from sentence_transformers import MultiVectorEncoder
model = MultiVectorEncoder("runelab-ai/Vor-LateEmbed-TR-0.6B-v1", device="cuda")
queries = ["Türkiye'nin en yüksek dağı hangisidir?"]
passages = [
"Ağrı Dağı, 5.137 metre yüksekliğiyle Türkiye'nin en yüksek dağıdır.",
"Uludağ, Bursa'da bulunan popüler bir kış turizmi merkezidir.",
]
q = model.encode_query(queries) # one 128-dim vector per query token
d = model.encode_document(passages) # one 128-dim vector per passage token
scores = model.similarity(q, d) # MaxSim scores, shape (num_queries, num_passages)
print(scores.argmax(dim=1)) # best passage per queryKarttan akılda tutulacak üç nokta var. Kayıtlı uzunlukları koruyun: sorgular için 1.024, belgeler için 4.096 token. Geç etkileşim her token için bir vektör sakladığından büyük koleksiyonlarda çok vektörlü bir indeks (örneğin PLAID tarzı) kullanın ya da daha ucuz bir ilk aşamanın kısa listesini yeniden sıralayın. Geçiş yaptığınızda derleminizi yeniden kodlayın: temel modelin vektörleri ile Vör'ün vektörleri birbirinin yerine kullanılamaz.
Kaputun altında
Nasıl eğitildi?
#Vör, metin katmanlarında LoRA ile eğitildi ve sonra ağırlıklara birleştirildi; görsel bölüm dondurulmuş kaldı. Liste tabanlı damıtmayla öğrendi: her soru için doğru pasajı ve yedi zor negatifi gördü; hedefleri doğru yanıtı temel modelin kendi skorlarıyla harmanladı. Karttaki ayarlar:
- LoRA
- rank 16, alpha 32
- Eğitim grubu
- 80.217
- Batch
- 64 grup
- Öğrenme oranı
- 1e-4, kosinüs azalma
- İngilizce tekrar
- %15 MS MARCO
Eğitim verisi tüm TurkColBERT verisine ve ayrılmış her test metnine karşı denetlendi; hiçbir TurkColBERT bölümüyle eğitilmedi.
İsim
İsim
#İskandinav mitolojisinde Vör, bilgelik ve farkındalık tanrıçasıdır; o kadar seziciydi ki ondan hiçbir şey gizlenemezdi. Bir getiricinin işi de budur: büyük bir metin yığınında gizli olanı bulmak. “Late”, geç etkileşimden gelir: sorguyu ve pasajı token token karşılaştırmak, bir karttaki her rünü bir parşömendeki eşiyle eşleştirmek gibi. “TR”, Türkçe demektir. Vör, RuneLab'in bir modelidir; Hati ya da Sköll ailesinin parçası değildir.
