SentenceTransformer based on NullCoreDeveloper/stylometric-rubert-v4

This is a sentence-transformers model finetuned from NullCoreDeveloper/stylometric-rubert-v4. It maps sentences & paragraphs to a 768-dimensional dense vector space and can be used for retrieval.

Model Details

Model Description

• Model Type: Sentence Transformer
• Base model: NullCoreDeveloper/stylometric-rubert-v4
• Maximum Sequence Length: 256 tokens
• Output Dimensionality: 768 dimensions
• Similarity Function: Cosine Similarity
• Supported Modality: Text

Model Sources

• Documentation: Sentence Transformers Documentation
• Repository: Sentence Transformers on GitHub
• Hugging Face: Sentence Transformers on Hugging Face

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'transformer_task': 'feature-extraction', 'modality_config': {'text': {'method': 'forward', 'method_output_name': 'last_hidden_state'}}, 'module_output_name': 'token_embeddings', 'architecture': 'BertModel'})
  (1): Pooling({'embedding_dimension': 768, 'pooling_mode': 'mean', '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("sentence_transformers_model_id")
# Run inference
sentences = [
    'Ребят, Карта 3070, настройки вд на high, при резком повороте в Аликс по углам чёрные полосы, в среднем 900 мегабит показывает вд, настройки вд сделал по видосу Павла 419, может драйвера карты обновить или на среднее качество снижать?',
    'Здесь со всем соглашусь. Но опять же нужно делать скидку на то что это по сути первая игра такого масштаба от этой команды, тот же Метро эксодус более взрослее чтоли. Но и опыта больше за плечами',
    'к слову, есть рекомендации какую лучше видюху купить чтобы играть в более требовательные игры с достаточным качеством. Например, в HalfLife Alyx ?\nв пределах 20 тыс. руб',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 768]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities)
# tensor([[ 1.0000, -0.2927, -0.3730],
#         [-0.2927,  1.0000,  0.3786],
#         [-0.3730,  0.3786,  1.0000]])

Evaluation

Metrics

Triplet

• Dataset: hard-triplets-val
• Evaluated with TripletEvaluator

Training Details

Training Dataset

Unnamed Dataset

• Size: 5,460 training samples
• Columns: sentence_0, sentence_1, and sentence_2
• Approximate statistics based on the first 100 samples:

  	sentence_0	sentence_1	sentence_2
  type	string	string	string
  modality	text	text	text
  details	min: 31 tokensmean: 60.2 tokensmax: 147 tokens	min: 36 tokensmean: 57.4 tokensmax: 138 tokens	min: 34 tokensmean: 60.89 tokensmax: 126 tokens

• Samples:

  sentence_0	sentence_1	sentence_2
  Врать не буду, точно не скажу.Но буквально вчера, дети всадили у шлема заряд до 10%, я поставил банку и играл часа 2,5 в Alex, через стим. Остался гореть последний индикатор, думаю еще можно было бы по геймить немного, но устал.Если купить 2 таких банки, то можно менять. Играть на одной, пока вторая на зарядке.Но альтернатива банке в кармане + провод, этот вариант мне подошел по лучше.	Ну не факт же что они плоскоземельщики🙄 или как их называют🤔 игруха то не требовательная от слова совсем. Может поэтому онлайн такой. Но если там общаг это борщ, не зя так издеваться над виарщиками	Ну если тебе на полкило кирпич не тяжело, то чоб нет. Единственно про что я и говорил, в нем тайп-с только на вход. Т.е. штатным кабелем от него шлем не зарядишь.
  понятно, что морда пико - это не радиатор охлаждения. Но она таки греется ощутимо, а значит и рассеивает это тепло. Маска на шлем не приведет к моментальному перегреву, но может поднять температуру пико на градус другой	что-то оно(предыдущая версия) у меня на вкладке торрент фильма ничего не выдает. это нормльно?а если смотреть не торрент, то прерывается на буферизацию	Сам пластик является тепловым рассеивателем. Забирает на себя часть тепла и рассеивает за счет открытого пространства. Пассивный радиатор. Если он этого не будет делать, то температура будет расти и все это начнет поднимать температуру устройства. Так же охлаждение работает и на технике apple, на macbook. Алюминиевые корпуса забирают на себя тепло и рассеивают его. Из-за этого ноуты часто вообще не включают кулера до определенной температуры.
  Ещё вопрос. Получается, по инструкции, Я обновляюсь до 5.6, затем сбрасываю до заводских на более раннюю (но уже европейскую) прошивку, а потом опять обновляюсь до 5.6, но уже по воздуху?	кстати, друг, у меня эти драйвера рандомно начали зависать, причем до такой степени, что откат на старую версию не спасал, пока ноут не потушишь на пару минут	также держу за самый конец рукояти, главное успешно работать кистями и не особо размахивать руками, точнее наработать высокий КПД движений и взмахов кистью))все с опытомFOV увеличь в настройках комнаты в самой игре, я поставил на 140 и все хорошо видно, приятная картинка на записи

• Loss: TripletLoss with these parameters:

  {
      "distance_metric": "TripletDistanceMetric.COSINE",
      "triplet_margin": 0.5
  }
  

Training Hyperparameters

Non-Default Hyperparameters

• per_device_train_batch_size: 16
• num_train_epochs: 2
• per_device_eval_batch_size: 16
• multi_dataset_batch_sampler: round_robin

All Hyperparameters

• per_device_train_batch_size: 16
• num_train_epochs: 2
• max_steps: -1
• learning_rate: 5e-05
• lr_scheduler_type: linear
• lr_scheduler_kwargs: None
• warmup_steps: 0
• optim: adamw_torch_fused
• optim_args: None
• weight_decay: 0.0
• adam_beta1: 0.9
• adam_beta2: 0.999
• adam_epsilon: 1e-08
• optim_target_modules: None
• gradient_accumulation_steps: 1
• average_tokens_across_devices: True
• max_grad_norm: 1
• label_smoothing_factor: 0.0
• bf16: False
• fp16: False
• bf16_full_eval: False
• fp16_full_eval: False
• tf32: None
• gradient_checkpointing: False
• gradient_checkpointing_kwargs: None
• torch_compile: False
• torch_compile_backend: None
• torch_compile_mode: None
• use_liger_kernel: False
• liger_kernel_config: None
• use_cache: False
• neftune_noise_alpha: None
• torch_empty_cache_steps: None
• auto_find_batch_size: False
• log_on_each_node: True
• logging_nan_inf_filter: True
• include_num_input_tokens_seen: no
• log_level: passive
• log_level_replica: warning
• disable_tqdm: False
• project: huggingface
• trackio_space_id: None
• trackio_bucket_id: None
• trackio_static_space_id: None
• per_device_eval_batch_size: 16
• prediction_loss_only: True
• eval_on_start: False
• eval_do_concat_batches: True
• eval_use_gather_object: False
• eval_accumulation_steps: None
• include_for_metrics: []
• batch_eval_metrics: False
• save_only_model: False
• save_on_each_node: False
• enable_jit_checkpoint: False
• push_to_hub: False
• hub_private_repo: None
• hub_model_id: None
• hub_strategy: every_save
• hub_always_push: False
• hub_revision: None
• load_best_model_at_end: False
• ignore_data_skip: False
• restore_callback_states_from_checkpoint: False
• full_determinism: False
• seed: 42
• data_seed: None
• use_cpu: False
• accelerator_config: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None}
• parallelism_config: None
• dataloader_drop_last: False
• dataloader_num_workers: 0
• dataloader_pin_memory: True
• dataloader_persistent_workers: False
• dataloader_prefetch_factor: None
• remove_unused_columns: True
• label_names: None
• train_sampling_strategy: random
• length_column_name: length
• ddp_find_unused_parameters: None
• ddp_bucket_cap_mb: None
• ddp_broadcast_buffers: False
• ddp_static_graph: None
• ddp_backend: None
• ddp_timeout: 1800
• fsdp: None
• fsdp_config: None
• deepspeed: None
• debug: []
• skip_memory_metrics: True
• do_predict: False
• resume_from_checkpoint: None
• warmup_ratio: None
• local_rank: -1
• prompts: None
• batch_sampler: batch_sampler
• multi_dataset_batch_sampler: round_robin
• router_mapping: {}
• learning_rate_mapping: {}

Training Logs

Training Time

• Training: 11.1 minutes

Framework Versions

• Python: 3.12.13
• Sentence Transformers: 5.6.0
• Transformers: 5.13.1
• PyTorch: 2.11.0+cu128
• Accelerate: 1.14.0
• Datasets: 4.0.0
• Tokenizers: 0.22.2

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",
}

TripletLoss

@misc{hermans2017defense,
    title={In Defense of the Triplet Loss for Person Re-Identification},
    author={Alexander Hermans and Lucas Beyer and Bastian Leibe},
    year={2017},
    eprint={1703.07737},
    archivePrefix={arXiv},
    primaryClass={cs.CV}
}