SkMTEB：斯洛伐克海量文本嵌入基准和模型适配

我们推出了 SkMTEB，这是第一个针对斯洛伐克语（一种资源匮乏的西斯拉夫语言）的综合 MTEB 式文本嵌入基准，包含跨 7 种任务类型的 31 个数据集，几乎是斯洛伐克语现有多语言基准覆盖深度的 4 倍。我们对 31 个嵌入模型的评估表明，大型指令调整多语言模型实现了最强的性能，而针对 NLU 任务训练的现有斯洛伐克特定模型迁移到嵌入任务的效果很差。为了满足高效、可本地部署的斯洛伐克嵌入的需求，我们通过将词汇修剪和 微调 应用于多语言 E5 模型来开发 \texttt{e5-sk-small} （45M 参数）和 \texttt{e5-sk-large} （365M）。尽管尺寸减少了高达 62%，但我们的开源模型通过专有 API 实现了具有竞争力的性能，同时仍然可在本地部署以进行语义搜索和检索增强生成 (RAG)。我们公开发布基准、模型、数据集和代码，希望我们的方法为其他资源不足的语言提供可复制的路径。