Saidzoda-Tajik-E5-Large 基于 5.6 亿参数的多语言嵌入模型微调，面向塔吉克语文档检索。研究使用法律、税务、百科和网页文本构造问答对，同时混入英语与俄语数据，以保留多语言能力。
论文在未见法律与税务文档上报告了检索提升，但也明确指出：这些测试问题与训练问题主要由同一模型生成，结果可能偏乐观。人工编写的 Belebele 测试上，增益较小且未获得明确统计确认。
塔吉克语检索模型公开训练与评测方法
Saidzoda-Tajik-E5-Large 基于 5.6 亿参数的多语言嵌入模型微调，面向塔吉克语文档检索。研究使用法律、税务、百科和网页文本构造问答对，同时混入英语与俄语数据，以保留多语言能力。