/ Модель

Характеристики

Контекст
512 токенов
Параметры
190 млн
Лицензия
CC BY-NC 4.0
Архитектура
bert · dense
Базовая модель
SA-BERT-V1
Библиотека
sentence-transformers
Опубликована
28 ноя 2025

SA-STS-Embeddings-0.2B

ЭмбеддингиТекст → embedding8 профессий

Модель BERT создаёт эмбеддинги саудовских арабских текстов для семантического поиска, сравнения и ранжирования.

110скачиваний за 30 дней1лайквеса обновлены29 ноя 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 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

SA-STS-Embeddings-0.2B — модель плотных текстовых эмбеддингов от Omartificial-Intelligence-Space, дообученная на базе SA-BERT-V1 для семантического поиска и сравнения предложений на саудовских вариантах арабского языка. Она построена на архитектуре BERT, содержит 190 млн параметров и принимает последовательности длиной до 512 токенов, возвращая векторы размерности 768. Обучение на триплетах из 21 прикладной области использовало MultipleNegativesRankingLoss и Matryoshka Representation Learning.

Модель предназначена для семантического поиска, извлечения контекста для RAG, кластеризации, определения намерений, оценки сходства и ранжирования текстов. Она ориентирована на диалекты Наджда и Хиджаза, а также на саудовскую речь с влиянием залива; карточка приводит высокие результаты на тестах сходства и триплетного ранжирования. Для длинных документов рекомендуется разбивать текст на фрагменты.

В метаданных указана лицензия CC-BY-NC-4.0, которая ограничивает коммерческое использование. README указывает Apache 2.0, поэтому сведения о лицензии в источниках расходятся; перед использованием следует проверить лицензию репозитория на Hugging Face.

Сценарии применения

  • семантический поиск по саудовским арабским текстам
  • подбор контекста для RAG на саудовском диалекте
  • сравнение смысловой близости предложений на арабском языке
  • кластеризация саудовских разговорных текстов
  • ранжирование результатов поиска по смыслу
  • определение намерений по саудовским фразам

Ограничения

Качество может снижаться на левантийском, египетском и магрибском арабском. Для длинных документов требуется разбиение на фрагменты; модель ориентирована на семантическое сходство, а не на синтаксический анализ или классификацию.

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

🏷️ SABER: Saudi Semantic Embedding Model (v0.1)

Black Elegant Minimalist Profile LinkedIn Banner

🧩 Summary

SABER-v0.1 (Saudi Arabic BERT Embeddings for Retrieval) is a state-of-the-art Saudi dialect semantic embedding model, fine-tuned from SA-BERT using MultipleNegativesRankingLoss (MNLR) and Matryoshka Representation Learning over a large, high-quality Saudi Triplet Dataset spanning 21 real-life Saudi domains.

SABER transforms a standard Masked Language Model (MLM) into a powerful semantic encoder capable of capturing deep contextual meaning across Najdi, Hijazi, Gulf-influenced, and mixed Saudi dialectals. The model achieves state-of-the-art results across both long-paragraph STS evaluation and triplet margin separation, significantly outperforming strong baselines such as ATM2, GATE, LaBSE, mE5-base, MarBERT, and MiniLM.

🏗️ Architecture & Build Pipeline

SABER utilizes a rigorous two-stage optimization pipeline: first, we adapted MARBERT-V2 via Masked Language Modeling (MLM) on 500k Saudi sentences to create the domain-specialized SA-BERT, followed by deep semantic optimization using MultipleNegativesRankingLoss (MNRL) and Matryoshka Representation Learning on curated triplets to produce the final state-of-the-art embedding model.


SABER is designed for:

  • Semantic search
  • Retrieval-Augmented Generation (RAG)
  • Clustering
  • Intent detection
  • Semantic similarity
  • Document & paragraph embedding
  • Ranking and re-ranking systems
  • Multi-domain Saudi-language applications

This release is v0.1 — the first public version of SABER.

📌 Model Details

  • Model Name: SABER (Saudi Semantic Embedding)
  • Version: v0.1
  • Base Model: SA-BERT-V1 (AraBERT trained on Saudi data)
  • Language: Arabic (Saudi Dialects: Najdi, Hijazi, Gulf)
  • Task: Sentence Embeddings, Semantic Similarity, Retrieval
  • Training Objective: MNLR + Matryoshka Loss
  • Embedding Dimension: 768
  • License: Apache 2.0
  • Maintainer: Omartificial-Intelligence-Space

🧠 Motivation

Saudi dialect NLP remains an underdeveloped space. Most embeddings struggle with dialectal variation, idiomatic expressions, and multi-sentence reasoning. SABER was designed to fill this gap by:

  1. Training specifically on Saudi-dialect triplet data.
  2. Leveraging modern contrastive learning.
  3. Creating robust embeddings suitable for production and research.

This model is the result of extensive evaluation across STS, triplets, and domain-specific tests.


⚠️ Limitations

  1. Regional Scope: Performance may degrade on Levantine, Egyptian, or Maghrebi dialects.
  2. Scope: Embeddings focus on semantic similarity, not syntax or classification.
  3. Input Length: Long multi-document retrieval requires chunking.

📚 Training Data

SABER was trained on Omartificial-Intelligence-Space/SaudiDialect-Triplet-21, which contains:

  • 2964 triplets (Anchor, Positive, Negative)
  • 21 domains, including:
    • Travel, Food, Shopping, Work & Office, Education, Culture, Weather, Sports, Technology, Medical, Government, Social Events, Anthropology, etc.
  • Mixed Saudi dialect sentences (Najdi + Hijazi + Gulf)
  • Real-world conversational phrasing
  • Carefully curated positive/negative pairs

The dataset includes natural variations in:

  • Word choice
  • Dialect morphology
  • Sentence structure
  • Discourse context
  • Multi-sentence reasoning

🔧 Training Methodology

SABER was fine-tuned using:

  1. MultipleNegativesRankingLoss (MNLR)

    • Transforms the embedding space so similar pairs cluster tightly.
    • Each batch uses in-batch negatives, dramatically improving separation.
  2. Matryoshka Representation Learning

    • Ensures embeddings remain meaningful across different vector truncation sizes.
  3. Triplet Ranking Optimization

    • Anchor–Positive similarity maximized.
    • Anchor–Negative similarity minimized.
    • Margin-based structure preserved.
  4. Optimizer & Hyperparameters

HyperparameterValue
Batch Size16
Epochs3
LossMNLR + Matryoshka
PrecisionFP16
Negative SamplingIn-batch
Gradient ClipStable defaults
Warmup Ratio0.1

🧪 Evaluation

SABER was evaluated on two benchmarks:

A) STS Evaluation (Saudi Paragraph-Level Dataset)

Dataset: 1000 samples (0–5 similarity) generated in Saudi dialect.

MetricScore
Pearson0.9189
Spearman0.9045
MAE1.69
MSE3.82

These results surpass: ATM2, GATE, LaBSE, MarBERT, mE5-base, and MiniLM.

B) Triplet Evaluation

Triplets derived from STS via (score ≥3 positive, score ≤1 negative).

MetricScore
Basic Accuracy0.9899
Margin > 0.050.9845
Margin > 0.100.9781
Margin > 0.200.9609

Excellent separation across strict thresholds.


🔍 Usage Example

from sentence_transformers import SentenceTransformer
from sklearn.metrics.pairwise import cosine_similarity

# Load the model
model = SentenceTransformer("Omartificial-Intelligence-Space/Saudi-Semantic-Embedding-v0.1")

# Define sentences (Saudi Dialect)
s1 = "ودي أسافر للرياض الأسبوع الجاي"
s2 = "أفكر أروح الرياض قريب عشان مشوار مهم"

# Encode
e1 = model.encode([s1])
e2 = model.encode([s2])

# Calculate similarity
sim = cosine_similarity(e1, e2)[0][0]
print("Cosine Similarity:", sim)

Training Details

Training Dataset

csv

  • Dataset: csv
  • Size: 2,964 training samples
  • Columns: text1 and text2
  • Approximate statistics based on the first 1000 samples:
    text1text2
    typestringstring
    detailsmin: 5 tokensmean: 10.36 tokensmax: 22 tokensmin: 4 tokensmean: 10.28 tokensmax: 19 tokens
  • Samples:
    text1text2
    هل فيه رحلات بحرية للأطفال في جدة؟ودي أعرف عن جولات بحرية للأطفال في جدة
    ودي أحجز تذكرة طيران للرياض الأسبوع الجايناوي أشتري تذكرة للرياض الأسبوع الجاي
    عطوني أفضل فندق قريب من مطار جدةأبي فندق قريب من المطار
  • Loss: MatryoshkaLoss with these parameters:
    {
        "loss": "MultipleNegativesRankingLoss",
        "matryoshka_dims": [
            768
        ],
        "matryoshka_weights": [
            1
        ],
        "n_dims_per_step": -1
    }
    

Citation

📌 Commercial Use

Commercial use of this model is not permitted under the CC BY-NC 4.0 license.
For commercial licensing, partnerships, or enterprise use, please contact:

📩 eng.omarnj@gmail.com

If you use this model in academic work, please cite:

@inproceedings{nacar-saber-2025,
    title = "SAUDI ARABIC EMBEDDING MODEL FOR SEMANTIC SIMILARITY AND RETRIEVAL",
    author = "Nacar, Omer",
    year = "2025",
    url = "https://huggingface.co/Omartificial-Intelligence-Space/SA-STS-Embeddings-0.2B",
}

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
2fd0457

0 моделей