/ Модель

Характеристики

Контекст
514 токенов
Параметры
305 млн
Лицензия
Apache 2.0
Архитектура
xlm-roberta · dense
Базовая модель
paraphrase-multilingual-mpnet-base-v2
Библиотека
sentence-transformers
Опубликована
14 июн 2024

Arabic-all-nli-triplet-Matryoshka

ЭмбеддингиТекст → embedding10 профессий

Модель создаёт арабские текстовые эмбеддинги для семантического поиска, сравнения предложений, кластеризации и извлечения признаков.

1 227скачиваний за 30 дней6лайковвеса обновлены23 янв 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 оценки33

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

  • RTE3

    main_score

    Результат

    0,8971

    MTEB

    Публичная таблицадругая ревизия

  • MultiEURLEXMultilabelClassification

    main_score

    Результат

    0,0348

    MTEB

    Публичная таблицадругая ревизия

  • LccSentimentClassification

    main_score

    Результат

    0,5813

    MTEB

    Публичная таблицадругая ревизия

  • Tatoeba

    main_score

    Результат

    0,98

    Общий результат 0,9608Общий результат 0,8268Общий результат 0,7782
    MTEB

    Публичная таблицадругая ревизия

  • STS22.v2

    main_score

    Результат

    0,4921

    MTEB

    Публичная таблицадругая ревизия

  • SIB200ClusteringS2S

    main_score

    Результат

    0,3663

    Общий результат 0,2992Общий результат 0,1266Общий результат 0,0577
    MTEB

    Публичная таблицадругая ревизия

  • STS17

    main_score

    Результат

    0,8715

    MTEB

    Публичная таблицадругая ревизия

  • STSBenchmarkMultilingualSTS

    main_score

    Результат

    0,8616

    Общий результат 0,8154
    MTEB

    Публичная таблицадругая ревизия

  • NorQuadRetrieval

    main_score

    Результат

    0,1472

    MTEB

    Публичная таблицадругая ревизия

  • OpusparcusPC

    main_score

    Результат

    0,9759

    Общий результат 0,987Общий результат 0,9504
    MTEB

    Публичная таблицадругая ревизия

  • MassiveIntentClassification

    main_score

    Результат

    0,5463

    MTEB

    Публичная таблицадругая ревизия

  • WebLINXCandidatesReranking

    main_score

    Результат

    0,0547

    MTEB

    Публичная таблицадругая ревизия

  • AskUbuntuDupQuestions

    main_score

    Результат

    0,5881

    MTEB

    Публичная таблицадругая ревизия

  • MLQARetrieval

    main_score

    Результат

    0,5548

    Общий результат 0,4722
    MTEB

    Публичная таблицадругая ревизия

  • MassiveScenarioClassification

    main_score

    Результат

    0,6893

    Общий результат 0,6958Общий результат 0,5849
    MTEB

    Публичная таблицадругая ревизия

  • TwitterSemEval2015

    main_score

    Результат

    0,7072

    MTEB

    Публичная таблицадругая ревизия

  • SpartQA

    main_score

    Результат

    0,0396

    MTEB

    Публичная таблицадругая ревизия

  • NTREXBitextMining

    Среднее по поднаборам

    Результат

    0,6629

    MTEB

    Расчёт каталогадругая ревизия

  • WikipediaRetrievalMultilingual

    main_score

    Результат

    0,7821

    MTEB

    Публичная таблицадругая ревизия

  • CUREv1

    main_score

    Результат

    0,396

    MTEB

    Публичная таблицадругая ревизия

  • MIRACLRetrieval

    main_score

    Результат

    0,1359

    MTEB

    Публичная таблицадругая ревизия

  • IndicGenBenchFloresBitextMining

    main_score

    Результат

    0,0218

    Общий результат 0,9947Общий результат 0,98
    MTEB

    Публичная таблицадругая ревизия

  • FloresBitextMining

    Среднее по поднаборам

    Результат

    0,3675

    MTEB

    Расчёт каталогадругая ревизия

  • XPQARetrieval

    main_score

    Результат

    0,1493

    MTEB

    Публичная таблицадругая ревизия

  • MasakhaNEWSClusteringS2S

    main_score

    Результат

    0,5116

    MTEB

    Публичная таблицадругая ревизия

  • MIRACLReranking

    main_score

    Результат

    0,4746

    MTEB

    Публичная таблицадругая ревизия

  • ItaCaseholdClassification

    main_score

    Результат

    0,7869

    MTEB

    Публичная таблицадругая ревизия

  • AmazonReviewsClassification

    main_score

    Результат

    0,3853

    MTEB

    Публичная таблицадругая ревизия

  • LegalQANLRetrieval

    main_score

    Результат

    0,4491

    MTEB

    Публичная таблицадругая ревизия

  • CQADupstackProgrammersRetrieval

    main_score

    Результат

    0,3269

    MTEB

    Публичная таблицадругая ревизия

  • MTOPIntentClassification

    main_score

    Результат

    0,6942

    MTEB

    Публичная таблицадругая ревизия

  • RuSciBenchOECDClassification

    main_score

    Результат

    0,3971

    MTEB

    Публичная таблицадругая ревизия

  • CodeEditSearchRetrieval

    main_score

    Результат

    0,1921

    MTEB

    Публичная таблицадругая ревизия

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Arabic-all-nli-triplet-Matryoshka — модель Sentence Transformers, разработанная Omartificial-Intelligence-Space путём дообучения sentence-transformers/paraphrase-multilingual-mpnet-base-v2 на арабском наборе пар предложений с положительными и отрицательными примерами. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения по косинусному сходству; благодаря обучению Matryoshka доступны также укороченные векторы размерностей 512, 256, 128 и 64. Модель предназначена для семантического поиска, оценки сходства и перефразирования, кластеризации и извлечения признаков из арабского текста.

В архитектуре используется XLM-RoBERTa с усреднением токенных представлений. В карточке указана максимальная длина последовательности 128 токенов, тогда как метаданные каталога приводят нативный контекст 514 токенов. На тесте sts-test-768 указана корреляция Спирмена 0,8616 для косинусного сходства; результаты также приведены для сокращённых размерностей. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • поиск арабских документов по смыслу
  • сравнение сходства арабских предложений
  • поиск перефразирований на арабском языке
  • кластеризация арабских текстов
  • извлечение признаков из арабских предложений для классификации

Ограничения

Карточка ограничивает длину последовательности 128 токенами, поэтому длинные тексты требуют разбиения. Приведённые метрики относятся к указанным тестовым наборам и сами по себе не гарантируют качество на других данных.

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 sentence-transformers/paraphrase-multilingual-mpnet-base-v2

This is a sentence-transformers model finetuned from sentence-transformers/paraphrase-multilingual-mpnet-base-v2 on the Omartificial-Intelligence-Space/arabic-n_li-triplet 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 Sources

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 128, 'do_lower_case': False}) with Transformer model: XLMRobertaModel 
  (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("Omartificial-Intelligence-Space/Arabic-Nli-Matryoshka")
# Run inference
sentences = [
    'يجلس شاب ذو شعر أشقر على الحائط يقرأ جريدة بينما تمر امرأة وفتاة شابة.',
    'ذكر شاب ينظر إلى جريدة بينما تمر إمرأتان بجانبه',
    'الشاب نائم بينما الأم تقود ابنتها إلى الحديقة',
]
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_cosine0.8539
spearman_cosine0.8616
pearson_manhattan0.8497
spearman_manhattan0.8513
pearson_euclidean0.8516
spearman_euclidean0.8541
pearson_dot0.7281
spearman_dot0.723
pearson_max0.8539
spearman_max0.8616

Semantic Similarity

MetricValue
pearson_cosine0.8542
spearman_cosine0.8609
pearson_manhattan0.8487
spearman_manhattan0.8512
pearson_euclidean0.8505
spearman_euclidean0.8539
pearson_dot0.7076
spearman_dot0.7029
pearson_max0.8542
spearman_max0.8609

Semantic Similarity

MetricValue
pearson_cosine0.8486
spearman_cosine0.8579
pearson_manhattan0.8405
spearman_manhattan0.8456
pearson_euclidean0.8415
spearman_euclidean0.8472
pearson_dot0.6669
spearman_dot0.6651
pearson_max0.8486
spearman_max0.8579

Semantic Similarity

MetricValue
pearson_cosine0.839
spearman_cosine0.8499
pearson_manhattan0.8287
spearman_manhattan0.8353
pearson_euclidean0.8298
spearman_euclidean0.8372
pearson_dot0.5856
spearman_dot0.5835
pearson_max0.839
spearman_max0.8499

Semantic Similarity

MetricValue
pearson_cosine0.8291
spearman_cosine0.8429
pearson_manhattan0.8101
spearman_manhattan0.8221
pearson_euclidean0.8129
spearman_euclidean0.8255
pearson_dot0.5067
spearman_dot0.511
pearson_max0.8291
spearman_max0.8429

Training Details

Training Dataset

Omartificial-Intelligence-Space/arabic-n_li-triplet

  • Dataset: Omartificial-Intelligence-Space/arabic-n_li-triplet
  • Size: 557,850 training samples
  • Columns: anchor, positive, and negative
  • Approximate statistics based on the first 1000 samples:
    anchorpositivenegative
    typestringstringstring
    detailsmin: 5 tokensmean: 10.33 tokensmax: 52 tokensmin: 5 tokensmean: 13.21 tokensmax: 49 tokensmin: 5 tokensmean: 15.32 tokensmax: 53 tokens
  • Samples:
    anchorpositivenegative
    شخص على حصان يقفز فوق طائرة معطلةشخص في الهواء الطلق، على حصان.شخص في مطعم، يطلب عجة.
    أطفال يبتسمون و يلوحون للكاميراهناك أطفال حاضرونالاطفال يتجهمون
    صبي يقفز على لوح التزلج في منتصف الجسر الأحمر.الفتى يقوم بخدعة التزلجالصبي يتزلج على الرصيف
  • 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

Omartificial-Intelligence-Space/arabic-n_li-triplet

  • Dataset: Omartificial-Intelligence-Space/arabic-n_li-triplet
  • Size: 6,584 evaluation samples
  • Columns: anchor, positive, and negative
  • Approximate statistics based on the first 1000 samples:
    anchorpositivenegative
    typestringstringstring
    detailsmin: 5 tokensmean: 21.86 tokensmax: 105 tokensmin: 4 tokensmean: 10.22 tokensmax: 49 tokensmin: 4 tokensmean: 11.2 tokensmax: 33 tokens
  • Samples:
    anchorpositivenegative
    امرأتان يتعانقان بينما يحملان حزمةإمرأتان يحملان حزمةالرجال يتشاجرون خارج مطعم
    طفلين صغيرين يرتديان قميصاً أزرق، أحدهما يرتدي الرقم 9 والآخر يرتدي الرقم 2 يقفان على خطوات خشبية في الحمام ويغسلان أيديهما في المغسلة.طفلين يرتديان قميصاً مرقماً يغسلون أيديهمطفلين يرتديان سترة يذهبان إلى المدرسة
    رجل يبيع الدونات لعميل خلال معرض عالمي أقيم في مدينة أنجليسرجل يبيع الدونات لعميلامرأة تشرب قهوتها في مقهى صغير
  • 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: 256
  • per_device_eval_batch_size: 256
  • num_train_epochs: 1
  • warmup_ratio: 0.1
  • fp16: True
  • batch_sampler: no_duplicates

All Hyperparameters

  • overwrite_output_dir: False
  • do_predict: False
  • prediction_loss_only: True
  • per_device_train_batch_size: 256
  • per_device_eval_batch_size: 256
  • 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
  • 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}
  • 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
0.229450010.1279-----
0.458710008.0384-----
0.688115007.3484-----
0.917420004.2216-----
1.02180-0.84990.85790.86090.84290.8616

Framework Versions

  • Python: 3.9.18
  • Sentence Transformers: 3.0.1
  • Transformers: 4.40.0
  • PyTorch: 2.2.2+cu121
  • Accelerate: 0.26.1
  • 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}
}

Acknowledgments

The author would like to thank Prince Sultan University for their invaluable support in this project. Their contributions and resources have been instrumental in the development and fine-tuning of these models.

## Citation

If you use the Arabic Matryoshka Embeddings Model, please cite it as follows:

@misc{nacar2024enhancingsemanticsimilarityunderstanding,
      title={Enhancing Semantic Similarity Understanding in Arabic NLP with Nested Embedding Learning}, 
      author={Omer Nacar and Anis Koubaa},
      year={2024},
      eprint={2407.21139},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2407.21139}, 
}

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
3710b81

0 моделей