/ Модель

Характеристики

Контекст
512 токенов
Параметры
126 млн
Архитектура
bert · dense
Базовая модель
bert-base-sw-cased
Библиотека
sentence-transformers
Опубликована
6 июл 2024

MultiLinguSwahili-bert-base-sw-cased-nli-matryoshka

ЭмбеддингиТекст → embedding10 профессий

Многоязычная модель эмбеддингов на основе BERT для семантического поиска и сравнения текстов на суахили и английском языках.

116скачиваний за 30 дней0лайковвеса обновлены6 июл 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

Mollel разработал эту модель Sentence Transformer на основе Geotrend/bert-base-sw-cased, дообучив её на наборе пар и триплетов предложений на суахили и английском языках. Модель использует BERT с усреднением токенных представлений и формирует плотные векторы размерностью 768; для сравнения текстов применяется косинусное сходство. Максимальная длина последовательности — 512 токенов.

Модель предназначена для поиска семантически близких предложений и абзацев, оценки сходства текстов, поиска перефразирований, кластеризации и извлечения признаков для классификации. Обучение с MatryoshkaLoss позволяет использовать укороченные векторы размером 512, 256, 128 или 64 измерения с приведёнными в карточке результатами оценки сходства. Это текстовая модель без генерации ответов; показатели качества зависят от данных и сценария применения. Лицензия в предоставленных данных не указана.

Сценарии применения

  • поиск документов по смыслу на суахили
  • поиск похожих предложений на суахили и английском
  • сопоставление переводов и текстов на двух языках
  • поиск перефразирований
  • кластеризация текстов по смыслу
  • получение векторов текста для классификатора

Ограничения

Максимальная длина входа составляет 512 токенов; модель выдаёт векторы и не предназначена для генерации текста. Данные карточки не содержат сведений о лицензии.

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

SentenceTransformer based on Geotrend/bert-base-sw-cased

This is a sentence-transformers model finetuned from Geotrend/bert-base-sw-cased on the Mollel/swahili-n_li-triplet-swh-eng dataset. 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 Type: Sentence Transformer
  • Base model: Geotrend/bert-base-sw-cased
  • Maximum Sequence Length: 512 tokens
  • Output Dimensionality: 768 tokens
  • Similarity Function: Cosine Similarity
  • Training Dataset:
    • Mollel/swahili-n_li-triplet-swh-eng

Model Sources

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: BertModel 
  (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("Mollel/MultiLinguSwahili-bert-base-sw-cased-nli-matryoshka")
# Run inference
sentences = [
    'Mwanamume na mwanamke wachanga waliovaa mikoba wanaweka au kuondoa kitu kutoka kwenye mti mweupe wa zamani, huku watu wengine wamesimama au wameketi nyuma.',
    'mwanamume na mwanamke wenye mikoba',
    'tai huruka',
]
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_cosine0.6937
spearman_cosine0.6873
pearson_manhattan0.6672
spearman_manhattan0.6578
pearson_euclidean0.6672
spearman_euclidean0.6578
pearson_dot0.5235
spearman_dot0.5126
pearson_max0.6937
spearman_max0.6873

Semantic Similarity

MetricValue
pearson_cosine0.6899
spearman_cosine0.6847
pearson_manhattan0.6678
spearman_manhattan0.658
pearson_euclidean0.6673
spearman_euclidean0.6573
pearson_dot0.4953
spearman_dot0.4872
pearson_max0.6899
spearman_max0.6847

Semantic Similarity

MetricValue
pearson_cosine0.6873
spearman_cosine0.6817
pearson_manhattan0.6674
spearman_manhattan0.6558
pearson_euclidean0.6675
spearman_euclidean0.656
pearson_dot0.4566
spearman_dot0.4533
pearson_max0.6873
spearman_max0.6817

Semantic Similarity

MetricValue
pearson_cosine0.6836
spearman_cosine0.6795
pearson_manhattan0.6664
spearman_manhattan0.6535
pearson_euclidean0.6664
spearman_euclidean0.6537
pearson_dot0.431
spearman_dot0.4315
pearson_max0.6836
spearman_max0.6795

Semantic Similarity

MetricValue
pearson_cosine0.6715
spearman_cosine0.6691
pearson_manhattan0.6571
spearman_manhattan0.6456
pearson_euclidean0.6599
spearman_euclidean0.6472
pearson_dot0.3676
spearman_dot0.3678
pearson_max0.6715
spearman_max0.6691

Training Details

Training Dataset

Mollel/swahili-n_li-triplet-swh-eng

  • Dataset: Mollel/swahili-n_li-triplet-swh-eng
  • Size: 1,115,700 training samples
  • Columns: anchor, positive, and negative
  • Approximate statistics based on the first 1000 samples:
    anchorpositivenegative
    typestringstringstring
    detailsmin: 9 tokensmean: 16.73 tokensmax: 71 tokensmin: 6 tokensmean: 19.74 tokensmax: 45 tokensmin: 6 tokensmean: 19.0 tokensmax: 49 tokens
  • Samples:
    anchorpositivenegative
    A person on a horse jumps over a broken down airplane.A person is outdoors, on a horse.A person is at a diner, ordering an omelette.
    Mtu aliyepanda farasi anaruka juu ya ndege iliyovunjika.Mtu yuko nje, juu ya farasi.Mtu yuko kwenye mkahawa, akiagiza omelette.
    Children smiling and waving at cameraThere are children presentThe kids are frowning
  • Loss: MatryoshkaLoss with these parameters:
    {
        "loss": "MultipleNegativesRankingLoss",
        "matryoshka_dims": [
            768,
            512,
            256,
            128,
            64
        ],
        "matryoshka_weights": [
            1,
            1,
            1,
            1,
            1
        ],
        "n_dims_per_step": -1
    }
    

Evaluation Dataset

Mollel/swahili-n_li-triplet-swh-eng

  • Dataset: Mollel/swahili-n_li-triplet-swh-eng
  • Size: 13,168 evaluation samples
  • Columns: anchor, positive, and negative
  • Approximate statistics based on the first 1000 samples:
    anchorpositivenegative
    typestringstringstring
    detailsmin: 7 tokensmean: 28.25 tokensmax: 82 tokensmin: 5 tokensmean: 14.16 tokensmax: 55 tokensmin: 5 tokensmean: 15.55 tokensmax: 46 tokens
  • Samples:
    anchorpositivenegative
    Two women are embracing while holding to go packages.Two woman are holding packages.The men are fighting outside a deli.
    Wanawake wawili wanakumbatiana huku wakishikilia vifurushi vya kwenda.Wanawake wawili wanashikilia vifurushi.Wanaume hao wanapigana nje ya duka la vyakula vitamu.
    Two young children in blue jerseys, one with the number 9 and one with the number 2 are standing on wooden steps in a bathroom and washing their hands in a sink.Two kids in numbered jerseys wash their hands.Two kids in jackets walk to school.
  • Loss: MatryoshkaLoss with these parameters:
    {
        "loss": "MultipleNegativesRankingLoss",
        "matryoshka_dims": [
            768,
            512,
            256,
            128,
            64
        ],
        "matryoshka_weights": [
            1,
            1,
            1,
            1,
            1
        ],
        "n_dims_per_step": -1
    }
    

Training Hyperparameters

Non-Default Hyperparameters

  • per_device_train_batch_size: 32
  • per_device_eval_batch_size: 32
  • learning_rate: 2e-05
  • num_train_epochs: 1
  • warmup_ratio: 0.1
  • bf16: True
  • batch_sampler: no_duplicates

All Hyperparameters

  • overwrite_output_dir: False
  • do_predict: False
  • prediction_loss_only: True
  • per_device_train_batch_size: 32
  • per_device_eval_batch_size: 32
  • per_gpu_train_batch_size: None
  • per_gpu_eval_batch_size: None
  • gradient_accumulation_steps: 1
  • eval_accumulation_steps: None
  • learning_rate: 2e-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
  • no_cuda: False
  • use_cpu: False
  • use_mps_device: False
  • seed: 42
  • data_seed: None
  • jit_mode_eval: False
  • use_ipex: False
  • bf16: True
  • 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: no_duplicates
  • multi_dataset_batch_sampler: proportional

Training Logs

EpochStepTraining Losssts-test-128_spearman_cosinests-test-256_spearman_cosinests-test-512_spearman_cosinests-test-64_spearman_cosinests-test-768_spearman_cosine
0.005710019.9104-----
0.011520015.4038-----
0.017230012.4565-----
0.022940011.8633-----
0.028750011.0601-----
0.03446009.7725-----
0.04027008.8549-----
0.04598008.0831-----
0.05169007.9941-----
0.057410007.6537-----
0.063111007.9303-----
0.068812007.5246-----
0.074613007.7754-----
0.080314007.668-----
0.086015006.7171-----
0.091816006.347-----
0.097517006.0-----
0.103318006.4314-----
0.109019006.7947-----
0.114720006.9316-----
0.120521006.6304-----
0.126222006.132-----
0.131923005.8953-----
0.137724005.6954-----
0.143425005.6832-----
0.149126005.2266-----
0.154927005.0678-----
0.160628005.4733-----
0.166429006.0899-----
0.172130006.332-----
0.177831006.4937-----
0.183632006.2242-----
0.189333005.8023-----
0.195034005.0745-----
0.200835005.5806-----
0.206536005.5191-----
0.212237005.3849-----
0.218038005.4828-----
0.223739005.9982-----
0.229440005.6842-----
0.235241005.1627-----
0.240942005.154-----
0.246743005.7932-----
0.252444005.5758-----
0.258145005.5212-----
0.263946005.5692-----
0.269647005.2699-----
0.275348005.4919-----
0.281149005.0754-----
0.286850005.1514-----
0.292551005.0241-----
0.298352005.2679-----
0.304053005.3576-----
0.309854005.3454-----
0.315555005.2142-----
0.321256004.8418-----
0.327057004.9597-----
0.332758005.1989-----
0.338459005.2624-----
0.344260005.0705-----
0.349961005.232-----
0.355662005.2428-----
0.361463004.755-----
0.367164004.7266-----
0.372965004.6452-----
0.378666005.1431-----
0.384367004.5343-----
0.390168004.698-----
0.395869004.6944-----
0.401570004.6255-----
0.407371005.0211-----
0.413072004.6974-----
0.418773004.9182-----
0.424574004.652-----
0.430275005.1015-----
0.436076004.5249-----
0.441777004.455-----
0.447478004.8153-----
0.453279004.7665-----
0.458980004.3413-----
0.464681004.4697-----
0.470482004.6776-----
0.476183004.2868-----
0.481884004.7052-----
0.487685004.4721-----
0.493386004.6926-----
0.499187004.9891-----
0.504888004.4837-----
0.510589004.8127-----
0.516390004.3438-----
0.522091004.4743-----
0.527792004.6879-----
0.533593004.3593-----
0.539294004.3023-----
0.544995004.8188-----
0.550796004.6142-----
0.556497004.7679-----
0.562298004.6224-----
0.567999004.9154-----
0.5736100004.7557-----
0.5794101004.6395-----
0.5851102004.7977-----
0.5908103004.915-----
0.5966104004.4854-----
0.6023105004.3973-----
0.6080106004.6964-----
0.6138107004.8853-----
0.6195108004.786-----
0.6253109004.5482-----
0.6310110004.4857-----
0.6367111004.7415-----
0.6425112004.2596-----
0.6482113004.8578-----
0.6539114004.5471-----
0.6597115004.8337-----
0.6654116004.2244-----
0.6711117004.9619-----
0.6769118004.9369-----
0.6826119004.2697-----
0.6883120004.2711-----
0.6941121004.6396-----
0.6998122004.5626-----
0.7056123004.5767-----
0.7113124004.6449-----
0.7170125004.4217-----
0.7228126004.0203-----
0.7285127004.5381-----
0.7342128004.5865-----
0.7400129004.4203-----
0.7457130004.3761-----
0.7514131004.093-----
0.7572132005.9235-----
0.7629133005.4098-----
0.7687134005.3079-----
0.7744135005.0946-----
0.7801136004.7098-----
0.7859137004.9471-----
0.7916138004.5742-----
0.7973139004.6178-----
0.8031140004.4516-----
0.8088141004.429-----
0.8145142004.3812-----
0.8203143004.3739-----
0.8260144004.3821-----
0.8318145004.4396-----
0.8375146004.2667-----
0.8432147004.1963-----
0.8490148004.1298-----
0.8547149004.1843-----
0.8604150004.0735-----
0.8662151003.9319-----
0.8719152004.1544-----
0.8776153004.105-----
0.8834154004.014-----
0.8891155004.0345-----
0.8949156003.9127-----
0.9006157004.1002-----
0.9063158003.8564-----
0.9121159003.9297-----
0.9178160003.8487-----
0.9235161003.7099-----
0.9293162003.8545-----
0.9350163003.8122-----
0.9407164003.8951-----
0.9465165003.6996-----
0.9522166003.9081-----
0.9580167003.8603-----
0.9637168003.8534-----
0.9694169003.8145-----
0.9752170003.9858-----
0.9809171003.8224-----
0.9866172003.7469-----
0.9924173003.9066-----
0.9981174003.6754-----
1.017433-0.67950.68170.68470.66910.6873

Framework Versions

  • Python: 3.11.9
  • Sentence Transformers: 3.0.1
  • 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",
}

MatryoshkaLoss

@misc{kusupati2024matryoshka,
    title={Matryoshka Representation Learning}, 
    author={Aditya Kusupati and Gantavya Bhatt and Aniket Rege and Matthew Wallingford and Aditya Sinha and Vivek Ramanujan and William Howard-Snyder and Kaifeng Chen and Sham Kakade and Prateek Jain and Ali Farhadi},
    year={2024},
    eprint={2205.13147},
    archivePrefix={arXiv},
    primaryClass={cs.LG}
}

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
BertModel
Ревизия весов
5b0763d

0 моделей