Deutscher Text-Embedder mit 326M Parametern für souveränes RAG on-premise. Kompakt, hoher Durchsatz, CPU-fähig — und out-of-domain bemerkenswert robust: auf echtem Fachtext führt er vor deutlich größeren Modellen.

Benchmark — voller Korpus-Index, zero-shot

Gemessen über den vollen Passagen-Index (nicht im kleinen Kandidaten-Pool), alle Modelle zero-shot, architekturkorrektes Pooling (Mankei last-token, e5 mean, bge-m3 CLS). Metriken: nDCG@10 und Recall@50.

Out-of-Domain — Recht (GerDaLIR, 9.969 Gerichtsbeschlüsse):

Modell	Größe	nDCG@10	Recall@50
Mankei-326M-Embedder	0,33 B	20,3	46,1
bge-m3	0,57 B	17,8	36,1
multilingual-e5-large	0,56 B	15,6	37,3
multilingual-e5-base	0,28 B	16,0	34,0
multilingual-e5-small	0,12 B	15,3	35,2

Auf echten Rechtstexten führt der 326M-Embedder vor allen — auch vor den 1,7×-größeren bge-m3 und e5-large.

In-Domain — Wikipedia-QA (GermanDPR):

Modell	Größe	nDCG@10	Recall@50
multilingual-e5-large	0,56 B	81,1	99,8
bge-m3	0,57 B	79,9	99,9
multilingual-e5-base	0,28 B	78,0	99,9
multilingual-e5-small	0,12 B	75,7	99,4
Mankei-326M-Embedder	0,33 B	68,7	97,0

Auf ihrem Wikipedia-QA-Heimterrain führen die größeren bidirektionalen Generalisten. Der Recall@50 von 97,0 trägt für eine RAG-Pipeline (Top-k holen, dann reranken) dennoch mit.

Mankei-Embedder — In-Domain vs. Out-of-Domain

Verwendung

Wichtig: Queries mit query: präfixen, Passagen mit passage: (e5-Stil).

python

from transformers import AutoModel, AutoTokenizer
import torch, torch.nn.functional as F

tok = AutoTokenizer.from_pretrained("keyvan-ai/Mankei-326M-Embedder")
model = AutoModel.from_pretrained("keyvan-ai/Mankei-326M-Embedder", dtype=torch.bfloat16).eval()

def embed(texts):
    enc = tok(texts, padding=True, truncation=True, max_length=256, return_tensors="pt")
    with torch.no_grad(): h = model(**enc).last_hidden_state
    idx = enc.attention_mask.sum(1) - 1                 # Last-Token-Pooling
    return F.normalize(h[torch.arange(h.size(0)), idx].float(), dim=-1)

q    = embed(["query: Wie kündige ich meine Wohnung?"])
docs = embed(["passage: Die Kündigung des Mietvertrags muss schriftlich erfolgen ...",
              "passage: Der Kaufvertrag kommt durch Angebot und Annahme zustande ..."])
scores = (docs @ q.T).squeeze()                          # Cosine-Similarity

Eigenschaften

Out-of-domain robust — führt auf echtem Fachtext (Recht) vor deutlich größeren Modellen.
326M, hoher Durchsatz, CPU- bis GPU-tauglich, für Millionen Chunks on-premise.
Für die Feinsortierung der Top-k: Mankei-326M-Reranker.

Training

Contrastive LoRA auf dem deutschen Mankei-Basismodell: supervidiert auf GermanDPR (CC-BY), InfoNCE mit vielen In-Batch- und selbst-gemineten harten Negativen aus dem vollen Korpus, e5-Stil-Prefixes, Last-Token-Pooling. Trainiert auf offen lizenzierten, quellseitig dokumentierten Daten.