MoganBERT-Embed

MoganBERT-Embed is a 149M-parameter Turkish embedding model built on MoganBERT-TR. It maps text to 768-dimensional vectors with mean pooling and L2 normalization, for semantic search, clustering, classification and STS. No prompt or task instruction is needed.

Usage

from sentence_transformers import SentenceTransformer

model = SentenceTransformer("moganai/MoganBERT-Embed")

sentences = [
    "Türkiye'nin başkenti Ankara'dır.",
    "Ankara, Türkiye'nin idari merkezidir.",
    "Bugün hava çok güzel.",
]
embeddings = model.encode(sentences)
print(model.similarity(embeddings, embeddings))

Training

Two phases on top of the base encoder, whose raw representations are anisotropic (cos_raw = 0.9841) and unusable for cosine similarity.

Phase 1 — teacher distillation from Qwen3-Embedding-8B, with the student projected up into the teacher's 3072-dimensional space and a GOR anisotropy-regularization term in the loss. This alone takes cos_raw to 0.0851 and zero-shot IR from 0.2361 to 0.5927.

Phase 2 — contrastive fine-tuning with hard-negative InfoNCE, adding NLI, graded STS (CoSENT), classification labels, QA and parallel-text signals to the retrieval pairs.

The released checkpoint is a weighted average of Phase 1 and two Phase 2 runs.

Results

Evaluated on MTEB(Turkish) — 26 tasks, fp16, cosine similarity, max 2,048 tokens.

Retrieval is the relative weak spot — for retrieval-first workloads see Mogan-ColBERT-TR. Full per-task numbers are in the paper.

Model Family

Model	Params	Purpose
MoganBERT-TR	149.4M	Base encoder
MoganBERT-Embed	149M	Single-vector embeddings (this model)
Mogan-ColBERT-TR	148.9M	Multi-vector retrieval

Citation

@article{yilmaz2026moganbert,
  title   = {MoganBert-TR: A Turkish Encoder Foundation Model Trained from Scratch with a CLM-MLM Curriculum},
  author  = {Furkan Yilmaz and Habibe Aleyna Tasdemir and Muhammed Faruk Gozay},
  journal = {arXiv preprint arXiv:2608.25768},
  year    = {2026}
}

---

---

MoganBERT-Embed (Türkçe)

MoganBERT-Embed, MoganBERT-TR üzerine kurulmuş 149M parametreli bir Türkçe gömme modelidir. Metni ortalama havuzlama ve L2 normalizasyon ile 768 boyutlu vektörlere eşler; anlamsal arama, kümeleme, sınıflandırma ve STS için kullanılır. Önek veya görev talimatı gerekmez.

Kullanım

from sentence_transformers import SentenceTransformer

model = SentenceTransformer("moganai/MoganBERT-Embed")

cumleler = [
    "Türkiye'nin başkenti Ankara'dır.",
    "Ankara, Türkiye'nin idari merkezidir.",
    "Bugün hava çok güzel.",
]
gomme = model.encode(cumleler)
print(model.similarity(gomme, gomme))

Eğitim

Temel encoder üzerine iki faz; ham temsiller anizotropiktir (cos_raw = 0.9841) ve kosinüs benzerliğinde kullanılamaz.

Faz 1 — öğretmen damıtma, Qwen3-Embedding-8B'den; öğrenci öğretmenin 3072 boyutlu uzayına yukarı izdüşürülür ve kayba bir GOR anizotropi düzenlileştirme terimi eklenir. Tek başına bu faz cos_raw'ı 0.0851'e, sıfır-atış IR'yi 0.2361'den 0.5927'ye taşır.

Faz 2 — kontrastif ince ayar, zor negatifli InfoNCE ile; retrieval çiftlerine NLI, dereceli STS (CoSENT), sınıflandırma etiketleri, soru-cevap ve paralel metin sinyalleri eklenir.

Yayınlanan checkpoint, Faz 1 ve iki Faz 2 koşusunun ağırlıklı ortalamasıdır.

Sonuçlar

MTEB(Turkish) üzerinde ölçüldü — 26 görev, fp16, kosinüs benzerliği, azami 2.048 token.

Retrieval göreli zayıf noktadır — retrieval öncelikli işler için Mogan-ColBERT-TR modeline bakın. Görev bazlı tüm sayılar makalede.

Model Ailesi

Model	Parametre	Amaç
MoganBERT-TR	149.4M	Temel encoder
MoganBERT-Embed	149M	Tek vektörlü gömme (bu model)
Mogan-ColBERT-TR	148.9M	Çok vektörlü retrieval

Atıf

@article{yilmaz2026moganbert,
  title   = {MoganBert-TR: A Turkish Encoder Foundation Model Trained from Scratch with a CLM-MLM Curriculum},
  author  = {Furkan Yilmaz and Habibe Aleyna Tasdemir and Muhammed Faruk Gozay},
  journal = {arXiv preprint arXiv:2608.25768},
  year    = {2026}
}