/ Модель

Характеристики

Контекст
514 токенов
Параметры
305 млн
Архитектура
xlm-roberta · dense
Базовая модель
paraphrase-multilingual-mpnet-base-v2
Библиотека
sentence-transformers
Опубликована
7 июн 2024

STS-multilingual-mpnet-base-v2

ЭмбеддингиТекст → embedding12 профессий

Многоязычная модель Sentence Transformers строит векторы предложений для оценки сходства, семантического поиска, поиска перефразирований и кластеризации.

606скачиваний за 30 дней3лайкавеса обновлены12 июн 2024

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Эмбеддинги» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки29

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

  • SIB200ClusteringS2S

    main_score

    Результат

    0,2602

    Общий результат 0,2585Общий результат 0,2304Общий результат 0,1868
    MTEB

    Публичная таблицаревизия совпадает

  • SIQA

    main_score

    Результат

    0,0108

    MTEB

    Публичная таблицаревизия совпадает

  • MassiveScenarioClassification

    main_score

    Результат

    0,6319

    Общий результат 0,6662Общий результат 0,6657Общий результат 0,4946
    MTEB

    Публичная таблицаревизия совпадает

  • CUREv1

    main_score

    Результат

    0,1815

    MTEB

    Публичная таблицаревизия совпадает

  • CodeSearchNetRetrieval

    main_score

    Результат

    0,1888

    MTEB

    Публичная таблицаревизия совпадает

  • PawsXPairClassification

    main_score

    Результат

    0,5064

    MTEB

    Публичная таблицаревизия совпадает

  • MasakhaNEWSClusteringS2S

    main_score

    Результат

    0,2529

    MTEB

    Публичная таблицаревизия совпадает

  • IndicGenBenchFloresBitextMining

    main_score

    Результат

    0,9046

    Общий результат 0,9947Общий результат 0,9225Общий результат 0,8543
    MTEB

    Публичная таблицаревизия совпадает

  • TV2Nordretrieval

    main_score

    Результат

    0,7489

    MTEB

    Публичная таблицаревизия совпадает

  • MultiHateClassification

    main_score

    Результат

    0,5794

    MTEB

    Публичная таблицаревизия совпадает

  • MassiveIntentClassification

    main_score

    Результат

    0,5877

    Общий результат 0,6097Общий результат 0,5831Общий результат 0,5068
    MTEB

    Публичная таблицаревизия совпадает

  • Tatoeba

    main_score

    Результат

    0,5401

    Общий результат 0,9833Общий результат 0,4166Общий результат 0,0366
    MTEB

    Публичная таблицаревизия совпадает

  • NorQuadRetrieval

    main_score

    Результат

    0,1066

    MTEB

    Публичная таблицаревизия совпадает

  • ClimateFEVERHardNegatives

    main_score

    Результат

    0,0966

    MTEB

    Публичная таблицаревизия совпадает

  • MasakhaNEWSClassification

    main_score

    Результат

    0,5014

    Общий результат 0,4847Общий результат 0,4504
    MTEB

    Публичная таблицаревизия совпадает

  • MultiEURLEXMultilabelClassification

    main_score

    Результат

    0,0364

    MTEB

    Публичная таблицаревизия совпадает

  • AfriSentiClassification

    main_score

    Результат

    0,3857

    MTEB

    Публичная таблицаревизия совпадает

  • PAC

    main_score

    Результат

    0,6431

    MTEB

    Публичная таблицаревизия совпадает

  • MIRACLRetrieval

    main_score

    Результат

    0,2092

    MTEB

    Публичная таблицаревизия совпадает

  • MLQARetrieval

    main_score

    Результат

    0,6365

    Общий результат 0,385
    MTEB

    Публичная таблицаревизия совпадает

  • LEMBNeedleRetrieval

    main_score

    Результат

    0

    MTEB

    Публичная таблицаревизия совпадает

  • NusaTranslationBitextMining

    main_score

    Результат

    0,0508

    MTEB

    Публичная таблицаревизия совпадает

  • MIRACLRetrievalHardNegatives

    main_score

    Результат

    0,0975

    Общий результат 0,0687
    MTEB

    Публичная таблицаревизия совпадает

  • XNLI

    main_score

    Результат

    0,7821

    MTEB

    Публичная таблицаревизия совпадает

  • WikiClusteringP2P.v2

    main_score

    Результат

    0,3032

    MTEB

    Публичная таблицаревизия совпадает

  • SwedishSentimentClassification

    main_score

    Результат

    0,8657

    MTEB

    Публичная таблицаревизия совпадает

  • WikipediaRetrievalMultilingual

    main_score

    Результат

    0,7056

    MTEB

    Публичная таблицаревизия совпадает

  • NusaParagraphEmotionClassification

    main_score

    Результат

    0,1827

    MTEB

    Публичная таблицаревизия совпадает

  • STS22.v2

    main_score

    Результат

    0,4422

    MTEB

    Публичная таблицаревизия совпадает

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Gameselo/STS-multilingual-mpnet-base-v2 — дообученная Gameselo модель Sentence Transformers на базе sentence-transformers/paraphrase-multilingual-mpnet-base-v2. Она использует архитектуру XLM-RoBERTa и преобразует предложения и абзацы в плотные векторы размерности 768 для оценки семантического сходства, семантического поиска, поиска перефразирований, кластеризации и классификации текста. Для сравнения векторов предусмотрена косинусная мера сходства. README указывает максимальную длину последовательности 128 токенов, а метаданные — размер модели 305,2 млн параметров и контекст 514 токенов.

Модель рассчитана на многоязычные тексты. В README приведены результаты на мультиязычных наборах STS, включая примеры для арабского и английско-арабского; карточка также описывает обучение на парах предложений с оценками сходства. Метаданные указывают формат safetensors и библиотеку sentence-transformers. Лицензия в предоставленных данных не указана.

Сценарии применения

  • сравнение семантического сходства двух предложений
  • поиск похожих документов и фрагментов текста
  • поиск перефразирований в многоязычном корпусе
  • кластеризация предложений по смыслу
  • подготовка векторных признаков для классификации текста

Ограничения

README указывает максимальную длину последовательности 128 токенов; более длинный текст может потребовать разделения на фрагменты. Приведённые результаты оценки относятся к наборам STS и сами по себе не гарантируют качество для других задач или доменов.

Для каких профессий подходит12

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

State-of-the-Art Results Comparison (MTEB STS Multilingual Leaderboard)

DatasetState-of-the-art (Multi)STSb-XLM-RoBERTa-baseSTS Multilingual MPNet base v2
Average73.1771.6873.89
STS17 (ar-ar)81.8780.4381.24
STS17 (en-ar)81.2276.377.03
STS17 (en-de)87.391.0691.09
STS17 (en-tr)77.1880.7479.87
STS17 (es-en)88.2483.0985.53
STS17 (es-es)88.2584.1687.27
STS17 (fr-en)88.0691.3390.68
STS17 (it-en)89.6892.8792.47
STS17 (ko-ko)83.6997.6797.66
STS17 (nl-en)88.2592.1391.15
STS22 (ar)58.6758.6762.66
STS22 (de)60.1252.1757.74
STS22 (de-en)60.9258.557.5
STS22 (de-fr)67.7951.2857.99
STS22 (de-pl)58.6944.5644.22
STS22 (es)68.5763.6866.21
STS22 (es-en)78.870.6575.18
STS22 (es-it)75.0460.8866.25
STS22 (fr)83.7576.4678.76
STS22 (fr-pl)84.5284.5284.52
STS22 (it)79.2866.7368.47
STS22 (pl)42.0841.1843.36
STS22 (pl-en)77.564.3575.11
STS22 (ru)61.7158.5958.67
STS22 (tr)68.7257.5263.84
STS22 (zh-en)71.8860.6965.37
STSb89.8695.0595.15

Bold indicates the best result in each row.

SentenceTransformer based on sentence-transformers/paraphrase-multilingual-mpnet-base-v2

This is a sentence-transformers model finetuned from sentence-transformers/paraphrase-multilingual-mpnet-base-v2. It maps sentences & paragraphs to a 768-dimensional dense vector space and can be used for semantic textual similarity, semantic search, paraphrase mining, text classification, clustering, and more.

Model Details

Model Description

Model Sources

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 128, 'do_lower_case': False}) with Transformer model: XLMRobertaModel 
  (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True})
)

Usage

Direct Usage (Sentence Transformers)

First install the Sentence Transformers library:

pip install -U sentence-transformers

Then you can load this model and run inference.

from sentence_transformers import SentenceTransformer

# Download from the 🤗 Hub
model = SentenceTransformer("Gameselo/STS-multilingual-mpnet-base-v2")
# Run inference
sentences = [
    '一个女人正在洗澡。',
    'A woman is taking a bath.',
    'En jente børster håret sitt',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 768]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]

Evaluation

Metrics

Semantic Similarity

MetricValue
pearson_cosine0.9551
spearman_cosine0.9593
pearson_manhattan0.927
spearman_manhattan0.9383
pearson_euclidean0.9278
spearman_euclidean0.9394
pearson_dot0.876
spearman_dot0.8865
pearson_max0.9551
spearman_max0.9593

Evalutation results vs SOTA results

MetricValue
pearson_cosine0.948
spearman_cosine0.9515
pearson_manhattan0.9252
spearman_manhattan0.9352
pearson_euclidean0.9258
spearman_euclidean0.9364
pearson_dot0.8443
spearman_dot0.8435
pearson_max0.948
spearman_max0.9515

Training Details

Training Dataset

Unnamed Dataset

  • Size: 226,547 training samples
  • Columns: sentence_0, sentence_1, and label
  • Approximate statistics based on the first 1000 samples:
    sentence_0sentence_1label
    typestringstringfloat
    detailsmin: 3 tokensmean: 20.05 tokensmax: 128 tokensmin: 4 tokensmean: 19.94 tokensmax: 128 tokensmin: 0.0mean: 1.92max: 398.6
  • Samples:
    sentence_0sentence_1label
    Bir kadın makineye dikiş dikiyor.Bir kadın biraz et ekiyor.0.12
    Snowden 'gegeven vluchtelingendocument door Ecuador'.Snowden staat op het punt om uit Moskou te vliegen0.24000000953674316
    Czarny pies idzie mostem przez wodęCzarny pies nie idzie mostem przez wodę0.74000000954
  • Loss: AnglELoss with these parameters:
    {
        "scale": 20.0,
        "similarity_fct": "pairwise_angle_sim"
    }
    

Training Hyperparameters

Non-Default Hyperparameters

  • per_device_train_batch_size: 256
  • per_device_eval_batch_size: 256
  • num_train_epochs: 10
  • multi_dataset_batch_sampler: round_robin

All Hyperparameters

  • overwrite_output_dir: False
  • do_predict: False
  • prediction_loss_only: True
  • per_device_train_batch_size: 256
  • per_device_eval_batch_size: 256
  • per_gpu_train_batch_size: None
  • per_gpu_eval_batch_size: None
  • gradient_accumulation_steps: 1
  • eval_accumulation_steps: None
  • learning_rate: 5e-05
  • weight_decay: 0.0
  • adam_beta1: 0.9
  • adam_beta2: 0.999
  • adam_epsilon: 1e-08
  • max_grad_norm: 1
  • num_train_epochs: 10
  • max_steps: -1
  • lr_scheduler_type: linear
  • lr_scheduler_kwargs: {}
  • warmup_ratio: 0.0
  • warmup_steps: 0
  • log_level: passive
  • log_level_replica: warning
  • log_on_each_node: True
  • logging_nan_inf_filter: True
  • save_safetensors: True
  • save_on_each_node: False
  • save_only_model: False
  • no_cuda: False
  • use_cpu: False
  • use_mps_device: False
  • seed: 42
  • data_seed: None
  • jit_mode_eval: False
  • use_ipex: False
  • bf16: False
  • fp16: False
  • fp16_opt_level: O1
  • half_precision_backend: auto
  • bf16_full_eval: False
  • fp16_full_eval: False
  • tf32: None
  • local_rank: 0
  • ddp_backend: None
  • tpu_num_cores: None
  • tpu_metrics_debug: False
  • debug: []
  • dataloader_drop_last: False
  • dataloader_num_workers: 0
  • dataloader_prefetch_factor: None
  • past_index: -1
  • disable_tqdm: False
  • remove_unused_columns: True
  • label_names: None
  • load_best_model_at_end: False
  • ignore_data_skip: False
  • fsdp: []
  • fsdp_min_num_params: 0
  • fsdp_config: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}
  • fsdp_transformer_layer_cls_to_wrap: None
  • accelerator_config: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'gradient_accumulation_kwargs': None}
  • deepspeed: None
  • label_smoothing_factor: 0.0
  • optim: adamw_torch
  • optim_args: None
  • adafactor: False
  • group_by_length: False
  • length_column_name: length
  • ddp_find_unused_parameters: None
  • ddp_bucket_cap_mb: None
  • ddp_broadcast_buffers: False
  • dataloader_pin_memory: True
  • dataloader_persistent_workers: False
  • skip_memory_metrics: True
  • use_legacy_prediction_loop: False
  • push_to_hub: False
  • resume_from_checkpoint: None
  • hub_model_id: None
  • hub_strategy: every_save
  • hub_private_repo: False
  • hub_always_push: False
  • gradient_checkpointing: False
  • gradient_checkpointing_kwargs: None
  • include_inputs_for_metrics: False
  • eval_do_concat_batches: True
  • fp16_backend: auto
  • push_to_hub_model_id: None
  • push_to_hub_organization: None
  • mp_parameters:
  • auto_find_batch_size: False
  • full_determinism: False
  • torchdynamo: None
  • ray_scope: last
  • ddp_timeout: 1800
  • torch_compile: False
  • torch_compile_backend: None
  • torch_compile_mode: None
  • dispatch_batches: None
  • split_batches: None
  • include_tokens_per_second: False
  • include_num_input_tokens_seen: False
  • neftune_noise_alpha: None
  • optim_target_modules: None
  • batch_sampler: batch_sampler
  • multi_dataset_batch_sampler: round_robin

Training Logs

EpochStepTraining Losssts-dev_spearman_cosinests-test_spearman_cosine
0.565050010.9426--
1.0885-0.9202-
1.129910009.7184--
1.694915009.5348--
2.01770-0.9400-
2.259920009.4412--
2.824925009.3097--
3.02655-0.9489-
3.389830009.2357--
3.954835009.1594--
4.03540-0.9528-
4.519840009.0963--
5.04425-0.9553-
5.084745009.0382--
5.649750008.9837--
6.05310-0.9567-
6.214755008.9403--
6.779760008.8841--
7.06195-0.9581-
7.344665008.8513--
7.909670008.81--
8.07080-0.9582-
8.474675008.8069--
9.07965-0.9589-
9.039580008.7616--
9.604585008.7521--
10.08850-0.95930.6266

Framework Versions

  • Python: 3.9.7
  • Sentence Transformers: 3.0.0
  • Transformers: 4.40.1
  • PyTorch: 2.3.0+cu121
  • Accelerate: 0.29.3
  • Datasets: 2.19.0
  • Tokenizers: 0.19.1

Citation

BibTeX

Sentence Transformers

@inproceedings{reimers-2019-sentence-bert,
    title = "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks",
    author = "Reimers, Nils and Gurevych, Iryna",
    booktitle = "Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing",
    month = "11",
    year = "2019",
    publisher = "Association for Computational Linguistics",
    url = "https://arxiv.org/abs/1908.10084",
}

AnglELoss

@misc{li2023angleoptimized,
    title={AnglE-optimized Text Embeddings}, 
    author={Xianming Li and Jing Li},
    year={2023},
    eprint={2309.12871},
    archivePrefix={arXiv},
    primaryClass={cs.CL}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · sentence-transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
XLMRobertaModel
Ревизия весов
449f917

0 моделей