/ Модель

Характеристики

Контекст
8 194 токена
Параметры
659 млн
Архитектура
xlm-roberta · dense
Базовая модель
bge-m3
Библиотека
sentence-transformers
Опубликована
6 авг 2024

Indonesian-bge-m3

ЭмбеддингиТекст → embedding9 профессий

Дообученная на индонезийских текстах модель эмбеддингов для семантического поиска и сравнения предложений.

278скачиваний за 30 дней0лайковвеса обновлены6 авг 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 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

MarcoAland/Indonesian-bge-m3 — Sentence Transformer на базе BAAI/bge-m3, дообученный автором репозитория для работы с индонезийскими текстами. Модель использует архитектуру XLM-RoBERTa с плотным представлением: преобразует предложения и абзацы в нормализованные векторы размерности 1024, а сходство между ними оценивается косинусной мерой. Заявленная максимальная длина последовательности — 8192 токена; число параметров — 658,7 млн.

Модель подходит для семантического поиска, сравнения предложений, поиска перефразировок, кластеризации и классификации текста. Обучение проводилось на 45 000 примерах с парами положительных и отрицательных соответствий и функцией потерь MultipleNegativesRankingLoss. Примеры в карточке — на индонезийском языке; метаданные также указывают на многоязычную базовую модель, но для этой версии основной целевой язык — индонезийский.

Модель выдаёт текстовые эмбеддинги, а не готовые ответы или метки; для поиска и классификации потребуется подходящий downstream-процесс. В карточке приведены результаты оценки, но они не позволяют судить о качестве на всех прикладных наборах данных. Условия лицензирования в предоставленных данных не указаны.

Сценарии применения

  • семантический поиск по индонезийским документам
  • поиск похожих предложений на индонезийском языке
  • поиск перефразировок и близких по смыслу текстов
  • кластеризация индонезийских текстов по смыслу
  • извлечение эмбеддингов для классификации текста

Ограничения

Модель возвращает векторы, поэтому для поиска, кластеризации или классификации нужен отдельный процесс обработки эмбеддингов. Карточка не сообщает лицензию и не содержит результатов, достаточных для оценки качества на разных прикладных наборах данных.

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

SentenceTransformer based on BAAI/bge-m3

This is a sentence-transformers model finetuned from BAAI/bge-m3. 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: BAAI/bge-m3
  • Maximum Sequence Length: 8192 tokens
  • Output Dimensionality: 1024 tokens
  • Similarity Function: Cosine Similarity

Model Sources

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 8192, 'do_lower_case': False}) with Transformer model: XLMRobertaModel 
  (1): Pooling({'word_embedding_dimension': 1024, 'pooling_mode_cls_token': True, 'pooling_mode_mean_tokens': False, '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("MarcoAland/Indonesian-bge-m3")
# Run inference
sentences = [
    'Seorang anak laki-laki sedang membaca.',
    'Anak laki-laki kecil duduk di kursi modern yang besar, membaca buku anak-anak.',
    'Seorang anak baru saja memukul bola saat bermain T-ball.',
]
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]

Evaluation

Metrics

Triplet

MetricValue
cosine_accuracy0.9596
dot_accuracy0.0404
manhattan_accuracy0.9592
euclidean_accuracy0.9596
max_accuracy0.9596

Training Details

Training Dataset

Unnamed Dataset

  • Size: 45,000 training samples
  • Columns: anchor, positive, and negative
  • Approximate statistics based on the first 1000 samples:
    anchorpositivenegative
    typestringstringstring
    detailsmin: 6 tokensmean: 10.02 tokensmax: 61 tokensmin: 5 tokensmean: 16.08 tokensmax: 79 tokensmin: 5 tokensmean: 16.47 tokensmax: 52 tokens
  • Samples:
    anchorpositivenegative
    Dua pengendara sepeda motor berlomba di lintasan miring.Lintasan pada gambar tidak sepenuhnya datar.Pengendara sepeda motor memakai sarung tangannya sebelum balapan
    Pria itu ada di luar.Seorang pria berpakaian hitam sedang memegang kantong sampah hitam dan memungut barang-barang dari tempat pembuangan tanah.Seorang pria mengenakan jas hitam dikelilingi oleh banyak orang di dalam sebuah gedung dengan patung dada orang di dinding.
    Orang-orang ada di luar ruangan.Ada orang-orang yang menonton band bermain di luar ruangan dan seorang anak berada di latar depan.Dua orang bertopi baseball sedang duduk di dalam ruang kantor besar dan menatap layar komputer.
  • Loss: MultipleNegativesRankingLoss with these parameters:
    {
        "scale": 20.0,
        "similarity_fct": "cos_sim"
    }
    

Evaluation Dataset

Unnamed Dataset

  • Size: 5,000 evaluation samples
  • Columns: anchor, positive, and negative
  • Approximate statistics based on the first 1000 samples:
    anchorpositivenegative
    typestringstringstring
    detailsmin: 4 tokensmean: 9.88 tokensmax: 65 tokensmin: 6 tokensmean: 16.1 tokensmax: 50 tokensmin: 5 tokensmean: 16.69 tokensmax: 46 tokens
  • Samples:
    anchorpositivenegative
    Anjing itu sedang berlari.Seekor anjing coklat mengejar bola di rumputAnjing itu berbaring telentang di dekat bola hijau.
    Seorang pria sedang tidur.Seorang pria sedang tidur siang di kereta.Pria muda bekerja di laboratorium sains.
    Seorang pria sedang tidur.Seorang pria sedang tidur di dalam bus.seorang pria mendayung ganilla menyusuri jalan setapak yang berair
  • 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: 4
  • per_device_eval_batch_size: 4
  • num_train_epochs: 1
  • warmup_ratio: 0.1
  • batch_sampler: no_duplicates

All Hyperparameters

  • overwrite_output_dir: False
  • do_predict: False
  • eval_strategy: steps
  • prediction_loss_only: True
  • per_device_train_batch_size: 4
  • per_device_eval_batch_size: 4
  • 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: 1.0
  • num_train_epochs: 1
  • max_steps: -1
  • lr_scheduler_type: linear
  • lr_scheduler_kwargs: {}
  • warmup_ratio: 0.1
  • 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: 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, '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: 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_eval_metrics: False
  • eval_on_start: False
  • batch_sampler: no_duplicates
  • multi_dataset_batch_sampler: proportional

Training Logs

EpochStepTraining Losslossmodel-evaluation_max_accuracy
0.00891000.810.5528-
0.01782000.53970.4948-
0.02673000.53490.5147-
0.03564000.53420.5475-
0.04445000.44330.56790.9596

Framework Versions

  • Python: 3.10.12
  • Sentence Transformers: 3.0.1
  • Transformers: 4.42.4
  • PyTorch: 2.3.1+cu121
  • Accelerate: 0.32.1
  • Datasets: 2.20.0
  • 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",
}

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
0c1c64a

0 моделей