/ Модель

Характеристики

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

bilingual-embedding-large

ЭмбеддингиТекст → embedding9 профессий

Двуязычная модель Lajavaness на основе XLM-RoBERTa преобразует английские и французские предложения в эмбеддинги для семантического поиска, сравнения и кластеризации.

11 371скачиваний за 30 дней28лайковвеса обновлены6 авг 2024

Бенчмарки

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

Публичные оценки31

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

  • STS22.v2

    main_score

    Результат

    0,7072

    Общий результат 0,8541Общий результат 0,4914
    MTEB

    Публичная таблицаревизия совпадает

  • TweetSentimentClassification

    main_score

    Результат

    0,5203

    MTEB

    Публичная таблицаревизия совпадает

  • ToxicConversationsClassification

    main_score

    Результат

    0,6557

    MTEB

    Публичная таблицаревизия не подтверждена

  • PawsXPairClassification

    main_score

    Результат

    0,5585

    Общий результат 0,6291
    MTEB

    Публичная таблицаревизия совпадает

  • MassiveIntentClassification

    main_score

    Результат

    0,6824

    Общий результат 0,6365
    MTEB

    Публичная таблицаревизия совпадает

  • FinParaSTS

    main_score

    Результат

    0,2689

    MTEB

    Публичная таблицаревизия совпадает

  • SIB200ClusteringS2S

    main_score

    Результат

    0,3712

    Общий результат 0,4322Общий результат 0,4207Общий результат 0,3983
    MTEB

    Публичная таблицаревизия совпадает

  • IndicGenBenchFloresBitextMining

    main_score

    Результат

    0,987

    Общий результат 1Общий результат 0,9987
    MTEB

    Публичная таблицаревизия совпадает

  • KLUE-TC

    main_score

    Результат

    0,5914

    MTEB

    Публичная таблицаревизия совпадает

  • AngryTweetsClassification

    main_score

    Результат

    0,559

    MTEB

    Публичная таблицаревизия совпадает

  • MassiveScenarioClassification

    main_score

    Результат

    0,7162

    Общий результат 0,643
    MTEB

    Публичная таблицаревизия совпадает

  • MIRACLReranking

    main_score

    Результат

    0,7614

    MTEB

    Публичная таблицаревизия совпадает

  • WikipediaRerankingMultilingual

    main_score

    Результат

    0,8682

    MTEB

    Публичная таблицаревизия совпадает

  • StackOverflowQA

    main_score

    Результат

    0,894

    MTEB

    Публичная таблицаревизия совпадает

  • CUREv1

    main_score

    Результат

    0,3661

    MTEB

    Публичная таблицаревизия совпадает

  • NorwegianCourtsBitextMining

    main_score

    Результат

    0,9342

    MTEB

    Публичная таблицаревизия совпадает

  • Tatoeba

    main_score

    Результат

    0,7039

    Общий результат 0,9393Общий результат 0,8504Общий результат 0,6809
    MTEB

    Публичная таблицаревизия совпадает

  • XNLI

    main_score

    Результат

    0,7734

    MTEB

    Публичная таблицаревизия совпадает

  • NusaTranslationBitextMining

    main_score

    Результат

    0,889

    MTEB

    Публичная таблицаревизия совпадает

  • MTOPDomainClassification

    main_score

    Результат

    0,9128

    MTEB

    Публичная таблицаревизия совпадает

  • LEMBWikimQARetrieval

    main_score

    Результат

    0,5582

    MTEB

    Публичная таблицаревизия совпадает

  • CodeSearchNetRetrieval

    main_score

    Результат

    0,9276

    MTEB

    Публичная таблицаревизия совпадает

  • STS22

    main_score

    Результат

    0,6456

    Общий результат 0,6858
    MTEB

    Публичная таблицаревизия совпадает

  • WikipediaRetrievalMultilingual

    main_score

    Результат

    0,9066

    MTEB

    Публичная таблицаревизия совпадает

  • MLQARetrieval

    main_score

    Результат

    0,8809

    MTEB

    Публичная таблицаревизия совпадает

  • LinceMTBitextMining

    main_score

    Результат

    0,3679

    MTEB

    Публичная таблицаревизия совпадает

  • HotpotQAHardNegatives

    main_score

    Результат

    0,6204

    MTEB

    Публичная таблицаревизия совпадает

  • OpusparcusPC

    main_score

    Результат

    0,9901

    MTEB

    Публичная таблицаревизия совпадает

  • CQADupstackWordpressRetrieval

    main_score

    Результат

    0,2965

    MTEB

    Публичная таблицаревизия не подтверждена

  • XPQARetrieval

    main_score

    Результат

    0,3404

    MTEB

    Публичная таблицаревизия совпадает

  • SemRel24STS

    main_score

    Результат

    0,395

    MTEB

    Публичная таблицаревизия совпадает

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Lajavaness/bilingual-embedding-large — двуязычная модель эмбеддингов предложений от Lajavaness, основанная на XLM-RoBERTa и реализованная с помощью Sentence Transformers. Она кодирует французские и английские предложения в нормализованные векторы размерности 1024; максимальная длина последовательности — 512 токенов, а нативное контекстное окно — 514 токенов. Размер модели — 658,7 млн параметров.

Модель обучалась на SNLI и XNLI для английского и французского языков, затем дообучалась на STS-Benchmark и расширенных парах предложений. Её используют для семантического поиска, оценки сходства предложений, ранжирования текстов и кластеризации. Веса доступны в формате safetensors по лицензии Apache-2.0.

Модель специализируется на французском и английском языках; качество на других языках не заявлено. README не содержит результатов оценки, поэтому точность для конкретных наборов данных и сценариев по карточке определить нельзя.

Сценарии применения

  • семантический поиск по французским и английским текстам
  • поиск похожих предложений на французском и английском
  • сравнение семантического сходства пар предложений
  • кластеризация франкоязычных и англоязычных текстов
  • ранжирование предложений по смысловому соответствию

Ограничения

Модель ориентирована на французский и английский языки; поддержка других языков не подтверждена. В README нет результатов оценки, поэтому пригодность для конкретного набора данных следует проверять отдельно.

Для каких профессий подходит9

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-large

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-large', 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
e83179d

0 моделей