/ Модель

Характеристики

Контекст
514 токенов
Параметры
305 млн
Лицензия
Apache 2.0
Архитектура
bilingual · dense
Библиотека
sentence-transformers
Опубликована
26 июн 2024

bilingual-embedding-base

ЭмбеддингиТекст → embedding10 профессий

Двуязычная модель Lajavaness на базе XLM-RoBERTa создаёт эмбеддинги английских и французских предложений для поиска и сравнения их смысла.

386скачиваний за 30 дней10лайковвеса обновлены18 ноя 2024

Бенчмарки

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

Публичные оценки28

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

  • XPQARetrieval

    main_score

    Результат

    0,6411

    Общий результат 0,3255
    MTEB

    Публичная таблицаревизия совпадает

  • SyntecReranking

    main_score

    Результат

    0,8383

    MTEB

    Публичная таблицаревизия не подтверждена

  • MassiveScenarioClassification

    main_score

    Результат

    0,4788

    Общий результат 0,7162Общий результат 0,6962Общий результат 0,6893
    MTEB

    Публичная таблицаревизия совпадает

  • StackExchangeClustering

    main_score

    Результат

    0,6157

    MTEB

    Публичная таблицаревизия не подтверждена

  • IndicGenBenchFloresBitextMining

    main_score

    Результат

    0,9974

    Общий результат 0,9933Общий результат 0,9895Общий результат 0,9723
    MTEB

    Публичная таблицаревизия совпадает

  • SIB200ClusteringS2S

    main_score

    Результат

    0,363

    Общий результат 0,4227Общий результат 0,419Общий результат 0,4103
    MTEB

    Публичная таблицаревизия совпадает

  • NusaXBitextMining

    main_score

    Результат

    0,966

    MTEB

    Публичная таблицаревизия совпадает

  • AfriSentiClassification

    main_score

    Результат

    0,4654

    MTEB

    Публичная таблицаревизия совпадает

  • WikiClusteringP2P.v2

    main_score

    Результат

    0,2671

    MTEB

    Публичная таблицаревизия совпадает

  • STS22

    main_score

    Результат

    0,5957

    Общий результат 0,8114Общий результат 0,684
    MTEB

    Публичная таблицаревизия совпадает

  • MassiveIntentClassification

    main_score

    Результат

    0,6499

    Общий результат 0,6565Общий результат 0,5975
    MTEB

    Публичная таблицаревизия совпадает

  • PublicHealthQA

    main_score

    Результат

    0,8159

    MTEB

    Публичная таблицаревизия совпадает

  • STSBenchmarkMultilingualSTS

    main_score

    Результат

    0,8154

    MTEB

    Публичная таблицаревизия совпадает

  • CyrillicTurkicLangClassification

    main_score

    Результат

    0,5636

    MTEB

    Публичная таблицаревизия совпадает

  • CUREv1

    main_score

    Результат

    0,4148

    Общий результат 0,4647
    MTEB

    Публичная таблицаревизия совпадает

  • SIQA

    main_score

    Результат

    0,0363

    MTEB

    Публичная таблицаревизия совпадает

  • ArguAna-NL.v2

    main_score

    Результат

    0,5115

    MTEB

    Публичная таблицаревизия совпадает

  • MTOPDomainClassification

    main_score

    Результат

    0,8697

    MTEB

    Публичная таблицаревизия совпадает

  • CodeSearchNetCCRetrieval

    main_score

    Результат

    0,5852

    MTEB

    Публичная таблицаревизия совпадает

  • InappropriatenessClassification

    main_score

    Результат

    0,5914

    MTEB

    Публичная таблицаревизия совпадает

  • LEMBNeedleRetrieval

    main_score

    Результат

    0,12

    Общий результат 0,04
    MTEB

    Публичная таблицаревизия совпадает

  • NusaX-senti

    main_score

    Результат

    0,616

    MTEB

    Публичная таблицаревизия совпадает

  • Tatoeba

    main_score

    Результат

    0,876

    Общий результат 0,6445
    MTEB

    Публичная таблицаревизия совпадает

  • AngryTweetsClassification

    main_score

    Результат

    0,5359

    MTEB

    Публичная таблицаревизия совпадает

  • STSBenchmark

    main_score

    Результат

    0,8744

    MTEB

    Публичная таблицаревизия не подтверждена

  • WikipediaRerankingMultilingual

    main_score

    Результат

    0,8623

    MTEB

    Публичная таблицаревизия совпадает

  • STS16

    main_score

    Результат

    0,8488

    MTEB

    Публичная таблицаревизия не подтверждена

  • MLQARetrieval

    main_score

    Результат

    0,6046

    MTEB

    Публичная таблицаревизия совпадает

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Lajavaness/bilingual-embedding-base — модель эмбеддингов предложений, разработанная Lajavaness для английского и французского языков. Она основана на XLM-RoBERTa и реализована как SentenceTransformer: использует усреднение токенов, затем нормализует векторы. Модель содержит 305,2 млн параметров и кодирует предложения в 1024-мерное векторное пространство; максимальная длина последовательности — 512 токенов по README и 514 токенов по метаданным.

Модель предназначена для сравнения семантической близости предложений, семантического поиска, кластеризации текстов и ранжирования похожих фраз на английском и французском. Обучение включало данные SNLI/XNLI и STS Benchmark для обоих языков, а также дообучение с аугментацией пар предложений. Репозиторий использует формат safetensors и лицензию Apache-2.0.

Сценарии применения

  • семантический поиск по английским и французским текстам
  • поиск похожих предложений между английским и французским языками
  • кластеризация английских и французских предложений
  • ранжирование предложений по семантическому сходству

Ограничения

Модель рассчитана на английский и французский языки; её качество для других языков не заявлено. README не содержит результатов оценки, поэтому сравнительное качество модели по бенчмаркам установить нельзя.

Для каких профессий подходит10

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

bilingual-embedding-base

Bilingual-embedding is the Embedding Model for bilingual language: french and english. This model is a specialized sentence-embedding trained specifically for the bilingual language, leveraging the robust capabilities of XLM-RoBERTa, a pre-trained language model based on the XLM-RoBERTa architecture. The model utilizes xlm-roberta to encode english-french sentences into a 1024-dimensional vector space, facilitating a wide range of applications from semantic search to text clustering. The embeddings capture the nuanced meanings of english-french sentences, reflecting both the lexical and contextual layers of the language.

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: BilingualModel 
  (1): Pooling({'word_embedding_dimension': 1024, '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})
  (2): Normalize()
)

Training and Fine-tuning process

Stage 1: NLI Training

  • Dataset: [(SNLI+XNLI) for english+french]
  • Method: Training using Multi-Negative Ranking Loss. This stage focused on improving the model's ability to discern and rank nuanced differences in sentence semantics.

Stage 3: Continued Fine-tuning for Semantic Textual Similarity on STS Benchmark

  • Dataset: [STSB-fr and en]
  • Method: Fine-tuning specifically for the semantic textual similarity benchmark using Siamese BERT-Networks configured with the 'sentence-transformers' library.

Stage 4: Advanced Augmentation Fine-tuning

  • Dataset: STSB with generate silver sample from gold sample
  • Method: Employed an advanced strategy using Augmented SBERT with Pair Sampling Strategies, integrating both Cross-Encoder and Bi-Encoder models. This stage further refined the embeddings by enriching the training data dynamically, enhancing the model's robustness and accuracy.

Usage:

Using this model becomes easy when you have sentence-transformers installed:

pip install -U sentence-transformers

Then you can use the model like this:

from sentence_transformers import SentenceTransformer

sentences = ["Paris est une capitale de la France", "Paris is a capital of France"]

model = SentenceTransformer('Lajavaness/bilingual-embedding-base', trust_remote_code=True)
print(embeddings)

Evaluation

TODO

Citation

@article{conneau2019unsupervised,
  title={Unsupervised cross-lingual representation learning at scale},
  author={Conneau, Alexis and Khandelwal, Kartikay and Goyal, Naman and Chaudhary, Vishrav and Wenzek, Guillaume and Guzm{\'a}n, Francisco and Grave, Edouard and Ott, Myle and Zettlemoyer, Luke and Stoyanov, Veselin},
  journal={arXiv preprint arXiv:1911.02116},
  year={2019}
}

@article{reimers2019sentence,
   title={Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks},
   author={Nils Reimers, Iryna Gurevych},
   journal={https://arxiv.org/abs/1908.10084},
   year={2019}
}

@article{thakur2020augmented,
  title={Augmented SBERT: Data Augmentation Method for Improving Bi-Encoders for Pairwise Sentence Scoring Tasks},
  author={Thakur, Nandan and Reimers, Nils and Daxenberger, Johannes and Gurevych, Iryna},
  journal={arXiv e-prints},
  pages={arXiv--2010},
  year={2020}

Как запустить

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

GPU в ailist

Универсальный рантайм · sentence-transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
BilingualModel
Ревизия весов
0bfc54b

0 моделей