/ Модель

Характеристики

Контекст
512 токенов
Параметры
1,1 млрд
Лицензия
MIT
Архитектура
deberta-v2 · dense
Библиотека
sentence-transformers
Опубликована
4 июл 2024

serafim-900m-portuguese-pt-sentence-encoder

ЭмбеддингиТекст → embedding9 профессий

Португалоязычная модель Serafim на базе DeBERTa-v2, создающая векторы предложений и абзацев для семантического поиска, сравнения и кластеризации.

917скачиваний за 30 дней2лайкавеса обновлены1 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 оценки14

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

  • MultiLongDocRetrieval

    main_score

    Результат

    0,388

    Общий результат 0,3124
    MTEB

    Публичная таблицаревизия совпадает

  • Assin2STS

    main_score

    Результат

    0,8267

    MTEB

    Публичная таблицаревизия совпадает

  • XGlueWPRReranking

    main_score

    Результат

    0,7115

    Общий результат 0,7078
    MTEB

    Публичная таблицаревизия совпадает

  • WikipediaRerankingMultilingual

    main_score

    Результат

    0,8106

    MTEB

    Публичная таблицаревизия совпадает

  • BrazilianToxicTweetsClassification

    main_score

    Результат

    0,1349

    MTEB

    Публичная таблицаревизия совпадает

  • STSBenchmarkMultilingualSTS

    main_score

    Результат

    0,8834

    Общий результат 0,857
    MTEB

    Публичная таблицаревизия совпадает

  • TweetSentimentClassification

    main_score

    Результат

    0,5293

    MTEB

    Публичная таблицаревизия совпадает

  • WebFAQRetrieval

    main_score

    Результат

    0,536

    MTEB

    Публичная таблицаревизия совпадает

  • WikipediaRetrievalMultilingual

    main_score

    Результат

    0,7605

    MTEB

    Публичная таблицаревизия совпадает

  • MultiHateClassification

    main_score

    Результат

    0,6502

    MTEB

    Публичная таблицаревизия совпадает

  • HateSpeechPortugueseClassification

    main_score

    Результат

    0,5857

    MTEB

    Публичная таблицаревизия совпадает

  • MassiveIntentClassification

    main_score

    Результат

    0,6781

    Общий результат 0,6714
    MTEB

    Публичная таблицаревизия совпадает

  • MultiLongDocReranking

    main_score

    Результат

    0,9093

    MTEB

    Публичная таблицаревизия совпадает

  • SICK-BR-STS

    main_score

    Результат

    0,9048

    MTEB

    Публичная таблицаревизия совпадает

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Serafim 900m Portuguese (PT) Sentence Encoder — модель для создания векторных представлений предложений и абзацев на португальском языке. Она разработана авторами семейства Serafim PT и представлена в работе на конференции EPIA 2024. Модель основана на архитектуре DeBERTa-v2 и распространяется в формате safetensors через библиотеку Sentence Transformers.

Модель кодирует текст в плотные векторы размерностью 1536, предназначенные для семантического поиска, кластеризации и сравнения смысловой близости текстов. Максимальная длина контекста — 512 токенов; обучение использовало функцию потерь CoSENT. Лицензия MIT.

Сценарии применения

  • семантический поиск по португалоязычным документам
  • сравнение смысловой близости португальских предложений
  • кластеризация текстов на португальском языке
  • поиск похожих абзацев на португальском языке

Ограничения

Контекст ограничен 512 токенами. Описание не приводит численных результатов оценки качества; пригодность для конкретного сценария следует проверять на соответствующих данных.

Для каких профессий подходит9

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

Serafim 900m Portuguese (PT) Sentence Encoder

This is a sentence-transformers model: It maps sentences & paragraphs to a 1536 dimensional dense vector space and can be used for tasks like clustering or semantic search.

Usage (Sentence-Transformers)

Using this model becomes easy when you have sentence-transformers installed:

pip install -U sentence-transformers

Then you can use the model like this:

from sentence_transformers import SentenceTransformer
sentences = ["This is an example sentence", "Each sentence is converted"]

model = SentenceTransformer('PORTULAN/serafim-900m-portuguese-pt-sentence-encoder')
embeddings = model.encode(sentences)
print(embeddings)

Usage (HuggingFace Transformers)

Without sentence-transformers, you can use the model like this: First, you pass your input through the transformer model, then you have to apply the right pooling-operation on-top of the contextualized word embeddings.

from transformers import AutoTokenizer, AutoModel
import torch


#Mean Pooling - Take attention mask into account for correct averaging
def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output[0] #First element of model_output contains all token embeddings
    input_mask_expanded = attention_mask.unsqueeze(-1).expand(token_embeddings.size()).float()
    return torch.sum(token_embeddings * input_mask_expanded, 1) / torch.clamp(input_mask_expanded.sum(1), min=1e-9)


# Sentences we want sentence embeddings for
sentences = ['This is an example sentence', 'Each sentence is converted']

# Load model from HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('PORTULAN/serafim-900m-portuguese-pt-sentence-encoder')
model = AutoModel.from_pretrained('PORTULAN/serafim-900m-portuguese-pt-sentence-encoder')

# Tokenize sentences
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')

# Compute token embeddings
with torch.no_grad():
    model_output = model(**encoded_input)

# Perform pooling. In this case, mean pooling.
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

print("Sentence embeddings:")
print(sentence_embeddings)

Evaluation Results

For an automated evaluation of this model, see the Sentence Embeddings Benchmark: https://seb.sbert.net

Training

The model was trained with the parameters:

DataLoader:

torch.utils.data.dataloader.DataLoader of length 1183 with parameters:

{'batch_size': 16, 'sampler': 'torch.utils.data.sampler.RandomSampler', 'batch_sampler': 'torch.utils.data.sampler.BatchSampler'}

Loss:

sentence_transformers.losses.CoSENTLoss.CoSENTLoss with parameters:

{'scale': 20.0, 'similarity_fct': 'pairwise_cos_sim'}

Parameters of the fit()-Method:

{
    "epochs": 10,
    "evaluation_steps": 119,
    "evaluator": "sentence_transformers.evaluation.EmbeddingSimilarityEvaluator.EmbeddingSimilarityEvaluator",
    "max_grad_norm": 1,
    "optimizer_class": "<class 'torch.optim.adamw.AdamW'>",
    "optimizer_params": {
        "lr": 1e-06
    },
    "scheduler": "WarmupLinear",
    "steps_per_epoch": 1183,
    "warmup_steps": 1183,
    "weight_decay": 0.01
}

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 128, 'do_lower_case': False}) with Transformer model: DebertaV2Model 
  (1): Pooling({'word_embedding_dimension': 1536, '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})
)

Citing & Authors

The article has been presented at EPIA 2024 conference and published by Springer:

@InProceedings{epia2024serafim,
    title={Open Sentence Embeddings for Portuguese with the Serafim PT* encoders family}, 
    author={Luís Gomes and António Branco and João Silva and João Rodrigues and Rodrigo Santos},
    editor={Manuel Filipe Santos and José Machado and Paulo Novais and Paulo Cortez and Pedro Miguel Moreira},
    booktitle={Progress in Artificial Intelligence},
    doi={doi.org/10.1007/978-3-031-73503-5_22},
    year={2024},
    publisher={Springer Nature Switzerland},
    address={Cham},
    pages={267--279},
    isbn={978-3-031-73503-5}
}

Before publication by Springer, the pre-print was available at arXiv:

@misc{gomes2024opensentenceembeddingsportuguese,
    title={Open Sentence Embeddings for Portuguese with the Serafim PT* encoders family}, 
    author={Luís Gomes and António Branco and João Silva and João Rodrigues and Rodrigo Santos},
    year={2024},
    eprint={2407.19527},
    archivePrefix={arXiv},
    primaryClass={cs.CL},
    url={https://arxiv.org/abs/2407.19527}, 
}

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
DebertaV2Model
Ревизия весов
8b6aac1

0 моделей