/ Модель

Характеристики

Контекст
514 токенов
Параметры
659 млн
Архитектура
xlm-roberta · dense
Базовая модель
multilingual-e5-large-instruct
Библиотека
sentence-transformers
Опубликована
22 мая 2025

multilingual-e5-large-instruct-mg-en

ЭмбеддингиТекст → embedding

Дообученная многоязычная Sentence Transformer-модель создаёт эмбеддинги для семантического поиска и сравнения текстов на малагасийском и английском языках.

103скачиваний за 30 дней0лайковвеса обновлены22 мая 2025

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 оценки

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

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Это модель Sentence Transformer, дообученная Maminirina1 на базе intfloat/multilingual-e5-large-instruct для получения векторных представлений предложений и абзацев на малагасийском и английском языках. Она построена на XLM-RoBERTa и содержит около 658,7 млн параметров; преобразует текст в нормализованные плотные эмбеддинги размерностью 1024, а сходство между ними можно оценивать косинусной мерой.

Модель подходит для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации. При обучении использовался набор из 283 674 пар текстов на малагасийском и английском языках с функцией потерь MultipleNegativesRankingLoss. Максимальная длина последовательности — 512 токенов. Для работы доступны веса в формате safetensors и библиотека Sentence Transformers.

Карточка не указывает лицензию. Описанные данные и обучение ориентированы на малагасийско-английские пары, поэтому качество на других языках и вне этого языкового направления не подтверждено.

Сценарии применения

  • семантический поиск по малагасийским и английским документам
  • сопоставление похожих предложений на малагасийском и английском
  • поиск переводных соответствий между текстами на двух языках
  • поиск перефразировок в коллекции текстов
  • кластеризация малагасийских и английских текстов
  • классификация текстов на основе эмбеддингов

Ограничения

Обучение проводилось на парах текстов на малагасийском и английском языках, поэтому качество для других языков и задач не подтверждено. Лицензия в предоставленных данных не указана.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

SentenceTransformer based on intfloat/multilingual-e5-large-instruct

This is a sentence-transformers model finetuned from intfloat/multilingual-e5-large-instruct on the csv dataset. It maps sentences & paragraphs to a 1024-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 Type: Sentence Transformer
  • Base model: intfloat/multilingual-e5-large-instruct
  • Maximum Sequence Length: 512 tokens
  • Output Dimensionality: 1024 dimensions
  • Similarity Function: Cosine Similarity
  • Training Dataset:
    • csv

Model Sources

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: XLMRobertaModel 
  (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()
)

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("Maminirina1/multilingual-e5-large-instruct-mg-en")
# Run inference
sentences = [
    "Nanoratra fampitandremana mikasika ny fomba fandaingan'ny tambajotra nasionaly matetika ny gazety an-tsoratra Yakutsk iray.",
    'A Yakutsk newspaper printed a warning about how national network often lie.',
    'Suburban Japan Tumblr blog archive',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 1024]

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

Training Details

Training Dataset

csv

  • Dataset: csv
  • Size: 283,674 training samples
  • Columns: malagasy and english
  • Approximate statistics based on the first 1000 samples:
    malagasyenglish
    typestringstring
    detailsmin: 9 tokensmean: 47.23 tokensmax: 141 tokensmin: 8 tokensmean: 34.65 tokensmax: 83 tokens
  • Samples:
    malagasyenglish
    [Ny namoronan'Andriamanitra izao tontolo izao] Tamin'ny voalohany Andriamanitra nahary ny lanitra sy ny tany.In the beginning God created the heavens and the earth.
    Ary ny tany dia tsy nisy endrika sady foana; ary aizina no tambonin'ny lalina. Ary ny fanahin'Andriamanitra nanomba tambonin'ny rano.Now the earth was formless and empty. Darkness was on the surface of the deep. God's Spirit was hovering over the surface of the waters.
    Ary Andriamanitra nanao hoe: Misia mazava; dia nisy mazava.God said, "Let there be light," and there was light.
  • Loss: MultipleNegativesRankingLoss with these parameters:
    {
        "scale": 20.0,
        "similarity_fct": "cos_sim"
    }
    

Evaluation Dataset

csv

  • Dataset: csv
  • Size: 81,049 evaluation samples
  • Columns: malagasy and english
  • Approximate statistics based on the first 1000 samples:
    malagasyenglish
    typestringstring
    detailsmin: 4 tokensmean: 43.91 tokensmax: 199 tokensmin: 5 tokensmean: 28.56 tokensmax: 102 tokens
  • Samples:
    malagasyenglish
    Ny tale jeneralin'ilay orinasa dia nanambara fa nisy ihany koa ny fanavaozana natao tamin'ilay drafitra teo aloha : ny ambony indrindra amin'ny vola aloan'ny mpanjifa raha misy lozam-pifamoivoizana dia hoferana ho 150.000 robla ($2,300) raha be indrindra.The company's CEO announced that some changes were being made to the old plan, too: the maximum amount of customer expenses in the event of a traffic collision would now be limited to 150,000 rubles ($2,300).
    Ireo mpanjifa nampandoavina hatrany amin'ny antsasaka tapitrisa robla tany aloha (telo no fitambarany, anisany i Alexander Semenov) dia tsy ho handoa afa-tsy 150.000 robla sisa.Clients previously billed as much as half a million rubles (all three of them, including Alexander Semenov) were now liable for just 150,000 rubles.
    Raha nanoratra tao amin'ny Facebook, niarahaba ilay vaovao i Semenov, dia nisaotra ireo namany sy ireo mpamakiny tamin'ny fanohanan'izy ireo.Writing on Facebook, Semenov welcomed the news, thanking his friends and readers for their support.
  • Loss: MultipleNegativesRankingLoss with these parameters:
    {
        "scale": 20.0,
        "similarity_fct": "cos_sim"
    }
    

Training Hyperparameters

Non-Default Hyperparameters

  • eval_strategy: steps
  • per_device_train_batch_size: 16
  • per_device_eval_batch_size: 16
  • gradient_accumulation_steps: 8
  • learning_rate: 2e-05
  • weight_decay: 0.01
  • num_train_epochs: 2
  • lr_scheduler_type: cosine
  • warmup_ratio: 0.05
  • fp16: True

All Hyperparameters

  • overwrite_output_dir: False
  • do_predict: False
  • eval_strategy: steps
  • prediction_loss_only: True
  • per_device_train_batch_size: 16
  • per_device_eval_batch_size: 16
  • per_gpu_train_batch_size: None
  • per_gpu_eval_batch_size: None
  • gradient_accumulation_steps: 8
  • eval_accumulation_steps: None
  • torch_empty_cache_steps: None
  • learning_rate: 2e-05
  • weight_decay: 0.01
  • adam_beta1: 0.9
  • adam_beta2: 0.999
  • adam_epsilon: 1e-08
  • max_grad_norm: 1.0
  • num_train_epochs: 2
  • max_steps: -1
  • lr_scheduler_type: cosine
  • lr_scheduler_kwargs: {}
  • warmup_ratio: 0.05
  • 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
  • restore_callback_states_from_checkpoint: 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: True
  • 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}
  • tp_size: 0
  • fsdp_transformer_layer_cls_to_wrap: None
  • accelerator_config: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, '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: None
  • hub_always_push: False
  • gradient_checkpointing: False
  • gradient_checkpointing_kwargs: None
  • include_inputs_for_metrics: False
  • include_for_metrics: []
  • 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
  • include_tokens_per_second: False
  • include_num_input_tokens_seen: False
  • neftune_noise_alpha: None
  • optim_target_modules: None
  • batch_eval_metrics: False
  • eval_on_start: False
  • use_liger_kernel: False
  • eval_use_gather_object: False
  • average_tokens_across_devices: False
  • prompts: None
  • batch_sampler: batch_sampler
  • multi_dataset_batch_sampler: proportional

Training Logs

EpochStepTraining LossValidation Loss
0.451210000.34610.0139
0.902420000.09830.0148
1.353330000.04990.0135
1.804540000.02580.0130

Framework Versions

  • Python: 3.11.11
  • Sentence Transformers: 3.4.1
  • Transformers: 4.51.1
  • PyTorch: 2.5.1+cu124
  • Accelerate: 1.3.0
  • Datasets: 3.5.0
  • Tokenizers: 0.21.0

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",
}

MultipleNegativesRankingLoss

@misc{henderson2017efficient,
    title={Efficient Natural Language Response Suggestion for Smart Reply},
    author={Matthew Henderson and Rami Al-Rfou and Brian Strope and Yun-hsuan Sung and Laszlo Lukacs and Ruiqi Guo and Sanjiv Kumar and Balint Miklos and Ray Kurzweil},
    year={2017},
    eprint={1705.00652},
    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
074a069

0 моделей