/ Модель

Характеристики

Контекст
512 токенов
Параметры
190 млн
Лицензия
Apache 2.0
Архитектура
bert · dense
Базовая модель
MARBERTv2
Библиотека
sentence-transformers
Опубликована
17 июн 2024

Marbert-all-nli-triplet-Matryoshka

ЭмбеддингиТекст → embedding8 профессий

Арабоязычная модель эмбеддингов для поиска и сравнения семантически близких предложений и абзацев.

1 201скачиваний за 30 дней1лайквеса 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 оценки36

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

  • MTOPDomainClassification

    main_score

    Результат

    0,1518

    MTEB

    Публичная таблицадругая ревизия

  • MasakhaNEWSClassification

    main_score

    Результат

    0,4061

    MTEB

    Публичная таблицадругая ревизия

  • CUREv1

    main_score

    Результат

    0,0154

    MTEB

    Публичная таблицадругая ревизия

  • GreekLegalCodeClassification

    main_score

    Результат

    0,028

    MTEB

    Публичная таблицадругая ревизия

  • TV2Nordretrieval

    main_score

    Результат

    0,0277

    MTEB

    Публичная таблицадругая ревизия

  • Tatoeba

    main_score

    Результат

    0,0162

    Общий результат 0,1291Общий результат 0,0236Общий результат 0,0076
    MTEB

    Публичная таблицадругая ревизия

  • WikipediaRerankingMultilingual

    main_score

    Результат

    0,4891

    MTEB

    Публичная таблицадругая ревизия

  • STSBenchmarkMultilingualSTS

    main_score

    Результат

    0,5987

    Общий результат 0,5689
    MTEB

    Публичная таблицадругая ревизия

  • StackExchangeClusteringP2P.v2

    main_score

    Результат

    0,3125

    MTEB

    Публичная таблицадругая ревизия

  • OpusparcusPC

    main_score

    Результат

    0,8239

    MTEB

    Публичная таблицадругая ревизия

  • DiaBlaBitextMining

    main_score

    Результат

    0,0215

    MTEB

    Публичная таблицадругая ревизия

  • MassiveIntentClassification

    main_score

    Результат

    0,3248

    Общий результат 0,3191Общий результат 0,3143
    MTEB

    Публичная таблицадругая ревизия

  • IndicGenBenchFloresBitextMining

    main_score

    Результат

    0,0371

    Общий результат 0,0601Общий результат 0,034Общий результат 0,0011
    MTEB

    Публичная таблицадругая ревизия

  • SummEvalSummarization.v2

    main_score

    Результат

    0,2821

    MTEB

    Публичная таблицадругая ревизия

  • RuBQReranking

    main_score

    Результат

    0,1777

    MTEB

    Публичная таблицадругая ревизия

  • XMarket

    main_score

    Результат

    0,0115

    MTEB

    Публичная таблицадругая ревизия

  • MLQARetrieval

    main_score

    Результат

    0,1304

    Общий результат 0,0778Общий результат 0,0573
    MTEB

    Публичная таблицадругая ревизия

  • STS22.v2

    main_score

    Результат

    0,2612

    MTEB

    Публичная таблицадругая ревизия

  • PolEmo2.0-OUT

    main_score

    Результат

    0,3381

    MTEB

    Публичная таблицадругая ревизия

  • XPQARetrieval

    main_score

    Результат

    0,3093

    MTEB

    Публичная таблицадругая ревизия

  • SIB200ClusteringS2S

    main_score

    Результат

    0,0413

    Общий результат 0,0178
    MTEB

    Публичная таблицадругая ревизия

  • SwahiliNewsClassification

    main_score

    Результат

    0,3709

    MTEB

    Публичная таблицадругая ревизия

  • MassiveScenarioClassification

    main_score

    Результат

    0,3445

    Общий результат 0,1719
    MTEB

    Публичная таблицадругая ревизия

  • CBD

    main_score

    Результат

    0,492

    MTEB

    Публичная таблицадругая ревизия

  • MSMARCO

    main_score

    Результат

    0,0381

    MTEB

    Публичная таблицадругая ревизия

  • XQuADRetrieval

    main_score

    Результат

    0,1175

    MTEB

    Публичная таблицадругая ревизия

  • MintakaRetrieval

    main_score

    Результат

    0,0159

    MTEB

    Публичная таблицадругая ревизия

  • SCIDOCS-NL.v2

    main_score

    Результат

    0,0031

    MTEB

    Публичная таблицадругая ревизия

  • IndicLangClassification

    main_score

    Результат

    0,1438

    MTEB

    Публичная таблицадругая ревизия

  • MasakhaNEWSClusteringP2P

    main_score

    Результат

    0,235

    MTEB

    Публичная таблицадругая ревизия

  • MLSUMClusteringP2P

    main_score

    Результат

    0,0743

    MTEB

    Публичная таблицадругая ревизия

  • QuoraRetrieval

    main_score

    Результат

    0,6778

    MTEB

    Публичная таблицадругая ревизия

  • WikipediaRetrievalMultilingual

    main_score

    Результат

    0,0568

    MTEB

    Публичная таблицадругая ревизия

  • ToxicChatClassification

    main_score

    Результат

    0,6369

    MTEB

    Публичная таблицадругая ревизия

  • MTOPIntentClassification

    main_score

    Результат

    0,3795

    MTEB

    Публичная таблицадругая ревизия

  • MalteseNewsClassification

    main_score

    Результат

    0,0599

    MTEB

    Публичная таблицадругая ревизия

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Omartificial-Intelligence-Space разработала эту модель Sentence Transformers дообучением арабоязычной UBC-NLP/MARBERTv2 на наборе Arabic-NLi-Triplet. Модель кодирует предложения и абзацы в плотные векторы размерности 768 и предназначена для сравнения смысловой близости текстов; для оценки близости используется косинусное сходство.

Модель подходит для семантического поиска, поиска перефразирований, кластеризации и классификации текстов. Matryoshka-обучение позволяет использовать укороченные представления размерностью 512, 256, 128 или 64. Архитектура основана на BERT, максимальная длина входа — 512 токенов. Основной язык — арабский.

В метаданных указаны 190 млн параметров и лицензия Apache-2.0. Результаты на приведённых в карточке наборах STS показывают умеренное соответствие оценкам семантической близости; качество на иных данных может отличаться. Модель не предназначена для генерации текста.

Сценарии применения

  • семантический поиск по арабским документам
  • ранжирование арабских текстов по смысловой близости
  • поиск перефразирований на арабском языке
  • кластеризация арабских предложений
  • извлечение признаков из арабского текста для классификации

Ограничения

Вход ограничен 512 токенами. Приведённые показатели STS умеренные и получены на указанных в карточке наборах, поэтому качество на других задачах и данных может отличаться.

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 UBC-NLP/MARBERTv2

This is a sentence-transformers model finetuned from UBC-NLP/MARBERTv2 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: UBC-NLP/MARBERTv2
  • Maximum Sequence Length: 512 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': 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("Omartificial-Intelligence-Space/Marbert-all-nli-triplet")
# 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_cosine0.6112
spearman_cosine0.6117
pearson_manhattan0.6444
spearman_manhattan0.6358
pearson_euclidean0.6444
spearman_euclidean0.6346
pearson_dot0.4724
spearman_dot0.4484
pearson_max0.6444
spearman_max0.6358

Semantic Similarity

MetricValue
pearson_cosine0.6665
spearman_cosine0.6648
pearson_manhattan0.643
spearman_manhattan0.6335
pearson_euclidean0.6466
spearman_euclidean0.6373
pearson_dot0.537
spearman_dot0.5242
pearson_max0.6665
spearman_max0.6648

Semantic Similarity

MetricValue
pearson_cosine0.6601
spearman_cosine0.6593
pearson_manhattan0.6362
spearman_manhattan0.6251
pearson_euclidean0.6408
spearman_euclidean0.63
pearson_dot0.5251
spearman_dot0.5155
pearson_max0.6601
spearman_max0.6593

Semantic Similarity

MetricValue
pearson_cosine0.6549
spearman_cosine0.6523
pearson_manhattan0.6343
spearman_manhattan0.6227
pearson_euclidean0.6397
spearman_euclidean0.6281
pearson_dot0.4724
spearman_dot0.4634
pearson_max0.6549
spearman_max0.6523

Semantic Similarity

MetricValue
pearson_cosine0.6367
spearman_cosine0.637
pearson_manhattan0.6264
spearman_manhattan0.6119
pearson_euclidean0.6328
spearman_euclidean0.618
pearson_dot0.4117
spearman_dot0.4044
pearson_max0.6367
spearman_max0.637

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: 7.68 tokensmax: 43 tokensmin: 4 tokensmean: 9.66 tokensmax: 35 tokensmin: 4 tokensmean: 10.47 tokensmax: 40 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: 14.78 tokensmax: 70 tokensmin: 4 tokensmean: 7.41 tokensmax: 29 tokensmin: 4 tokensmean: 7.95 tokensmax: 21 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
0.022920025.0771-----
0.04594009.1435-----
0.06886008.0492-----
0.09188007.1378-----
0.114710007.6249-----
0.137712007.3604-----
0.160614006.5783-----
0.183516006.4145-----
0.206518006.1781-----
0.229420006.2375-----
0.252422006.2587-----
0.275324006.0826-----
0.298326006.1514-----
0.321228005.6949-----
0.344230006.0062-----
0.367132005.7551-----
0.390034005.658-----
0.413036005.7135-----
0.435938005.3909-----
0.458940005.5068-----
0.481842005.2261-----
0.504844005.1674-----
0.527746005.0427-----
0.550648005.3824-----
0.573650005.3063-----
0.596552005.2174-----
0.619554005.2116-----
0.642456005.2226-----
0.665458005.2051-----
0.688360005.204-----
0.711362005.154-----
0.734264005.0236-----
0.757166004.9476-----
0.780168004.0164-----
0.803070003.5707-----
0.826072003.3586-----
0.848974003.2376-----
0.871976003.0282-----
0.894878002.901-----
0.917780002.9371-----
0.940782002.8362-----
0.963684002.8121-----
0.986686002.7105-----
1.08717-0.65230.65930.66480.63700.6117

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:

```bibtex
@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
9e8b5e3

0 моделей