/ Модель

Характеристики

Контекст
512 токенов
Параметры
498 млн
Лицензия
Apache 2.0
Архитектура
bert · dense
Базовая модель
LaBSE
Библиотека
sentence-transformers
Опубликована
16 июн 2024

Arabic-labse-Matryoshka

ЭмбеддингиТекст → embedding8 профессий

Дообученная на арабских NLI-триплетах модель LaBSE для построения эмбеддингов и семантического поиска по арабским текстам.

468скачиваний за 30 дней5лайковвеса обновлены10 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 оценки32

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

  • MassiveScenarioClassification

    main_score

    Результат

    0,6404

    Общий результат 0,6576
    MTEB

    Публичная таблицадругая ревизия

  • MIRACLReranking

    main_score

    Результат

    0,2748

    Общий результат 0,3619
    MTEB

    Публичная таблицадругая ревизия

  • PublicHealthQA

    main_score

    Результат

    0,6659

    Общий результат 0,6662
    MTEB

    Публичная таблицадругая ревизия

  • MassiveIntentClassification

    main_score

    Результат

    0,5819

    Общий результат 0,5812Общий результат 0,5704
    MTEB

    Публичная таблицадругая ревизия

  • CUREv1

    main_score

    Результат

    0,2422

    MTEB

    Публичная таблицадругая ревизия

  • CodeSearchNetRetrieval

    main_score

    Результат

    0,5997

    MTEB

    Публичная таблицадругая ревизия

  • Tatoeba

    main_score

    Результат

    0,6722

    Общий результат 0,7917
    MTEB

    Публичная таблицадругая ревизия

  • AmazonCounterfactualClassification

    main_score

    Результат

    0,6928

    MTEB

    Публичная таблицадругая ревизия

  • AmazonReviewsClassification

    main_score

    Результат

    0,3746

    MTEB

    Публичная таблицадругая ревизия

  • MultiEURLEXMultilabelClassification

    main_score

    Результат

    0,0352

    MTEB

    Публичная таблицадругая ревизия

  • MasakhaNEWSClassification

    main_score

    Результат

    0,7595

    Общий результат 0,6489
    MTEB

    Публичная таблицадругая ревизия

  • SIB200ClusteringS2S

    main_score

    Результат

    0,1757

    Общий результат 0,3403Общий результат 0,3384Общий результат 0,3375
    MTEB

    Публичная таблицадругая ревизия

  • MIRACLRetrievalHardNegatives.v2

    main_score

    Результат

    0,2125

    MTEB

    Публичная таблицадругая ревизия

  • IndicCrosslingualSTS

    main_score

    Результат

    0,7362

    MTEB

    Публичная таблицадругая ревизия

  • IndicGenBenchFloresBitextMining

    main_score

    Результат

    0,9733

    Общий результат 1Общий результат 0,983Общий результат 0,9819
    MTEB

    Публичная таблицадругая ревизия

  • LivedoorNewsClustering.v2

    main_score

    Результат

    0,4115

    MTEB

    Публичная таблицадругая ревизия

  • MintakaRetrieval

    main_score

    Результат

    0,1602

    MTEB

    Публичная таблицадругая ревизия

  • WinoGrande

    main_score

    Результат

    0,3763

    MTEB

    Публичная таблицадругая ревизия

  • NusaTranslationBitextMining

    main_score

    Результат

    0,6343

    MTEB

    Публичная таблицадругая ревизия

  • MLQARetrieval

    main_score

    Результат

    0,4691

    Общий результат 0,5465
    MTEB

    Публичная таблицадругая ревизия

  • MLSUMClusteringP2P

    main_score

    Результат

    0,3881

    MTEB

    Публичная таблицадругая ревизия

  • CodeEditSearchRetrieval

    main_score

    Результат

    0,2535

    MTEB

    Публичная таблицадругая ревизия

  • XNLI

    main_score

    Результат

    0,8464

    MTEB

    Публичная таблицадругая ревизия

  • WikiClusteringP2P.v2

    main_score

    Результат

    0,2394

    MTEB

    Публичная таблицадругая ревизия

  • RuSciBenchGRNTIClassification

    main_score

    Результат

    0,5205

    MTEB

    Публичная таблицадругая ревизия

  • NusaX-senti

    main_score

    Результат

    0,5693

    MTEB

    Публичная таблицадругая ревизия

  • XPQARetrieval

    main_score

    Результат

    0,4781

    Общий результат 0,5912
    MTEB

    Публичная таблицадругая ревизия

  • WikipediaRerankingMultilingual

    main_score

    Результат

    0,8375

    MTEB

    Публичная таблицадругая ревизия

  • RedditClusteringP2P

    main_score

    Результат

    0,4706

    MTEB

    Публичная таблицадругая ревизия

  • OpusparcusPC

    main_score

    Результат

    0,9482

    MTEB

    Публичная таблицадругая ревизия

  • DutchNewsArticlesClusteringS2S

    main_score

    Результат

    0,1468

    MTEB

    Публичная таблицадругая ревизия

  • MSMARCO

    main_score

    Результат

    0,0841

    MTEB

    Публичная таблицадругая ревизия

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Arabic-labse-Matryoshka — модель Sentence Transformer от Omartificial-Intelligence-Space, дообученная на базе sentence-transformers/LaBSE на наборе арабских NLI-триплетов. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и предназначена для сравнения смысловой близости текстов, семантического поиска, поиска перефразировок, кластеризации и классификации текста. В README указана максимальная длина последовательности 256 токенов; метаданные сообщают контекст до 512 токенов. Модель использует архитектуру BERT, библиотеку Sentence Transformers и косинусное сходство; матрёшечное обучение позволяет получать эмбеддинги разной размерности. Веса содержат около 498,1 млн параметров.

Модель ориентирована на арабский язык и обучалась на датасете из 557 850 троек «якорь — положительный пример — отрицательный пример». README приводит результаты оценки семантического сходства на нескольких размерностях эмбеддингов. Веса распространяются по лицензии Apache-2.0. Поскольку обучение и карточка сосредоточены на арабских текстах, качество для других языков и специализированных предметных областей не подтверждено приведёнными данными.

Сценарии применения

  • семантический поиск по арабским документам
  • сравнение смысловой близости арабских предложений
  • поиск арабских перефразировок
  • кластеризация арабских текстов по смыслу
  • классификация арабских текстов на основе эмбеддингов

Ограничения

Карточка и обучающий набор ориентированы на арабский язык; качество на других языках и в специализированных предметных областях не подтверждено. README указывает длину последовательности 256 токенов, тогда как метаданные каталога приводят контекст 512 токенов.

Для каких профессий подходит8

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/LaBSE

This is a sentence-transformers model finetuned from sentence-transformers/LaBSE 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 Type: Sentence Transformer
  • Base model: sentence-transformers/LaBSE
  • Maximum Sequence Length: 256 tokens
  • Output Dimensionality: 768 tokens
  • Similarity Function: Cosine Similarity
  • Training Dataset:
    • Omartificial-Intelligence-Space/arabic-n_li-triplet

Model Sources

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 256, 'do_lower_case': False}) with Transformer model: BertModel 
  (1): Pooling({'word_embedding_dimension': 768, '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): Dense({'in_features': 768, 'out_features': 768, 'bias': True, 'activation_function': 'torch.nn.modules.activation.Tanh'})
  (3): 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("Omartificial-Intelligence-Space/Arabic-labse")
# 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_cosine0.7269
spearman_cosine0.7225
pearson_manhattan0.7259
spearman_manhattan0.721
pearson_euclidean0.726
spearman_euclidean0.7225
pearson_dot0.7269
spearman_dot0.7225
pearson_max0.7269
spearman_max0.7225

Semantic Similarity

MetricValue
pearson_cosine0.7268
spearman_cosine0.7224
pearson_manhattan0.7241
spearman_manhattan0.7195
pearson_euclidean0.7248
spearman_euclidean0.7213
pearson_dot0.7253
spearman_dot0.7205
pearson_max0.7268
spearman_max0.7224

Semantic Similarity

MetricValue
pearson_cosine0.7283
spearman_cosine0.7264
pearson_manhattan0.7228
spearman_manhattan0.7181
pearson_euclidean0.7251
spearman_euclidean0.7215
pearson_dot0.7243
spearman_dot0.7221
pearson_max0.7283
spearman_max0.7264

Semantic Similarity

MetricValue
pearson_cosine0.7102
spearman_cosine0.7104
pearson_manhattan0.7135
spearman_manhattan0.7089
pearson_euclidean0.7172
spearman_euclidean0.713
pearson_dot0.6778
spearman_dot0.6746
pearson_max0.7172
spearman_max0.713

Semantic Similarity

MetricValue
pearson_cosine0.6931
spearman_cosine0.6982
pearson_manhattan0.6971
spearman_manhattan0.6942
pearson_euclidean0.7013
spearman_euclidean0.6987
pearson_dot0.6377
spearman_dot0.6345
pearson_max0.7013
spearman_max0.6987

Semantic Similarity

MetricValue
pearson_cosine0.8144
spearman_cosine0.8205
pearson_manhattan0.8203
spearman_manhattan0.8204
pearson_euclidean0.8202
spearman_euclidean0.8205
pearson_dot0.8144
spearman_dot0.8205
pearson_max0.8203
spearman_max0.8205

Semantic Similarity

MetricValue
pearson_cosine0.8143
spearman_cosine0.8212
pearson_manhattan0.8217
spearman_manhattan0.8216
pearson_euclidean0.8216
spearman_euclidean0.8219
pearson_dot0.8097
spearman_dot0.8147
pearson_max0.8217
spearman_max0.8219

Semantic Similarity

MetricValue
pearson_cosine0.8076
spearman_cosine0.8159
pearson_manhattan0.8209
spearman_manhattan0.8197
pearson_euclidean0.821
spearman_euclidean0.8203
pearson_dot0.7871
spearman_dot0.7875
pearson_max0.821
spearman_max0.8203

Semantic Similarity

MetricValue
pearson_cosine0.8024
spearman_cosine0.8118
pearson_manhattan0.8189
spearman_manhattan0.8181
pearson_euclidean0.8198
spearman_euclidean0.8185
pearson_dot0.7513
spearman_dot0.7428
pearson_max0.8198
spearman_max0.8185

Semantic Similarity

MetricValue
pearson_cosine0.7855
spearman_cosine0.7949
pearson_manhattan0.806
spearman_manhattan0.8041
pearson_euclidean0.8088
spearman_euclidean0.806
pearson_dot0.6778
spearman_dot0.6616
pearson_max0.8088
spearman_max0.806

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: 4 tokensmean: 9.99 tokensmax: 51 tokensmin: 4 tokensmean: 12.44 tokensmax: 49 tokensmin: 5 tokensmean: 13.82 tokensmax: 49 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: 4 tokensmean: 19.71 tokensmax: 100 tokensmin: 4 tokensmean: 9.37 tokensmax: 38 tokensmin: 4 tokensmean: 10.49 tokensmax: 34 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: 64
  • per_device_eval_batch_size: 64
  • 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: 64
  • per_device_eval_batch_size: 64
  • 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
None0-0.71040.72640.72240.69820.7225
0.022920013.1738-----
0.04594008.8127-----
0.06886008.0984-----
0.09188007.2984-----
0.114710007.5749-----
0.137712007.1292-----
0.160614006.6146-----
0.183516006.6523-----
0.206518006.1095-----
0.229420006.0841-----
0.252422006.3024-----
0.275324006.1941-----
0.298326006.1686-----
0.321228005.8317-----
0.344230006.0597-----
0.367132005.7832-----
0.390034005.7088-----
0.413036005.6988-----
0.435938005.5268-----
0.458940005.5543-----
0.481842005.3152-----
0.504844005.2894-----
0.527746005.1805-----
0.550648005.4559-----
0.573650005.3836-----
0.596552005.2626-----
0.619554005.2511-----
0.642456005.3308-----
0.665458005.2264-----
0.688360005.2881-----
0.711362005.1349-----
0.734264005.0872-----
0.757166004.5515-----
0.780168003.4312-----
0.803070003.1008-----
0.826072002.9582-----
0.848974002.8153-----
0.871976002.7214-----
0.894878002.5392-----
0.917780002.584-----
0.940782002.5384-----
0.963684002.4937-----
0.986686002.4155-----
1.08717-0.81180.81590.82120.79490.8205

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
BertModel
Ревизия весов
c1f9f66

0 моделей