/ Модель

Характеристики

Контекст
8 192 токена
Параметры
149 млн
Лицензия
Apache 2.0
Архитектура
modernbert · dense
Базовая модель
Fairly-Multilingual-ModernBERT-Embed-BE
Библиотека
sentence-transformers
Опубликована
7 янв 2025

Fairly-Multilingual-ModernBERT-Embed-BE-EN

ЭмбеддингиТекст → embedding9 профессий

Англоязычная модель на базе ModernBERT, создающая 768-мерные эмбеддинги для семантического поиска и сравнения текстов.

122скачиваний за 30 дней2лайкавеса обновлены17 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 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

Parallia/Fairly-Multilingual-ModernBERT-Embed-BE-EN — англоязычная версия модели эмбеддингов предложений семейства Fairly Multilingual ModernBERT Embedding Model, созданной Parallia. Модель основана на ModernBERT и представлена как Sentence Transformer с mean pooling; она преобразует английские предложения и абзацы в плотные векторы размерности 768 для семантического сравнения и поиска.

Контекст составляет до 8192 токенов. Модель обучена на параллельных парах английского с французским, нидерландским и немецким языками. README указывает, что эта версия использует веса исходной многоязычной модели с английским токенизатором и таблицей эмбеддингов, оптимизированными для английского; сама версия рассчитана на английские входные тексты. Подходящие сценарии — поиск семантически близких документов, оценка сходства предложений, поиск перефразирований, кластеризация и классификация текста на основе эмбеддингов.

Модель использует архитектуру ModernBERT и распространяется в формате safetensors под лицензией Apache-2.0. Её эмбеддинги предназначены прежде всего для текстового сопоставления; несмотря на обучение на переводных парах, эта конкретная версия описана как англоязычная, поэтому её не следует считать универсальной мультиязычной моделью. Практическое качество зависит от предметной области и данных поиска.

Сценарии применения

  • семантический поиск по англоязычным документам
  • сравнение сходства английских предложений
  • поиск перефразирований в английских текстах
  • кластеризация англоязычных текстов по смыслу
  • классификация английских текстов на основе эмбеддингов

Ограничения

Эта версия рассчитана на английский язык; использование её токенизатора для других языков не заявлено. Качество зависит от соответствия входных данных обучающим парам и прикладной области.

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
🙏 If you are able to, please help me fund my open research. 🙏 Thank you for your generosity! 🤗

FMMB-BE-EN: The Fairly Multilingual ModernBERT Embedding Model (Belgian Edition): Monolingual English version.

🇺🇸 This monolingual English version of the Fairly Multilingual ModernBERT Embedding Model (Belgian Edition) is the perfect model for embedding texts up to 8192 tokens written in English at the speed of light. It uses the exact same weights as the original FMMB-BE model, and therefore produces identical embeddings, but this version comes with only a English-optimized tokenizer and its associated embedding table, thereby improving performance.

🆘 This sentence-transformers model was trained on a small parallel corpus containing English-French, English-Dutch, and English-German sentence pairs. 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. The input texts can be used as-is, no need to use prefixes.

🪄 Thanks to the magic of Trans-Tokenization, monoligual English models such as ModernBERT-Embed from Nomic AI can be turned into embedding models for another language. And this, with almost no GPU compute involved! 🤯

⚖️ Each of the 5 FMMB-BE models are actually copies of the exact same model, paired with different tokenizers and embedding tables. Indeed, as all trans-tokenized models operate on embeddings in the same latent space, aligning them cross-lingually is a breeze: after creating a "super" model which can speak in all of the 4 tokenizers, this model can be finetuned to produce similar embeddings for sentences which are translation of each other.

⚡ ModernBERT, developped last month by Answer Ai and LightOn, is about 3x to 6x faster at inference time than regular BERT/RoBERTa models, while providing us with superior results. This makes it a wonderful choice for many use cases.

Model Details

Model Description

  • Model Type: Sentence Transformer
  • Base model: ModernBERT-Embed-Base
  • Maximum Sequence Length: 8192 tokens
  • Output Dimensionality: 768 dimensions
  • Similarity Function: Cosine Similarity
  • Training Dataset:
    • parallel-sentences
  • Languages: en
  • License: apache-2.0

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 8192, 'do_lower_case': False}) with Transformer model: ModernBertModel 
  (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

IMPORTANT: While waiting for the next stable release of the transformers library, please install the latest git release to use modernbert models:

pip install --upgrade git+https://github.com/huggingface/transformers.git

The easiest way to use this model is to 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("Parallia/Fairly-Multilingual-ModernBERT-Embed-BE-EN")
# Run inference
sentences = [
    'These three mysterious men came to our help.',
    'Three strange guys helped us then.',
    'These three black birds came in our garden.',
    'Some people are helpful.',
    'One, two, three... Who can guess the next digits?',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [5, 768]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [5, 5]

Training Details

Training Dataset

parallel-sentences

  • Dataset: parallel dataset
  • Size: 8,066,634 training samples
  • Columns: sent1 and sent2
  • Approximate statistics based on the first 1000 samples:
    sent1sent2
    typestringstring
    detailsmin: 6 tokensmean: 17.86 tokensmax: 46 tokensmin: 6 tokensmean: 18.87 tokensmax: 52 tokens
  • Samples:
    sent1sent2
    The faces may change, but the essential views that have characterised Israel’s government for decades will remain the same after 9 AprilLes visages peuvent changer, mais les opinions fondamentales qui caractérisent le gouvernement israélien depuis des décennies resteront les mêmes après le 9 avril
    - Yeah. My husband never talked about business.M'n man had het nooit over z'n zaken.
    Or do they think that We hear not their secrets and their private counsels?Oder meinen sie, daß Wir ihre Geheimnisse und heimlichen Beratungen nicht hören?
  • Loss: MultipleNegativesRankingLoss with these parameters:
    {
        "scale": 20.0,
        "similarity_fct": "cos_sim"
    }
    

Training Hyperparameters

Non-Default Hyperparameters

  • eval_strategy: steps
  • per_device_train_batch_size: 256
  • per_device_eval_batch_size: 256
  • learning_rate: 2e-05
  • num_train_epochs: 1
  • warmup_ratio: 0.1
  • bf16: True

All Hyperparameters

  • overwrite_output_dir: False
  • do_predict: False
  • eval_strategy: steps
  • 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
  • torch_empty_cache_steps: None
  • learning_rate: 2e-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
  • restore_callback_states_from_checkpoint: False
  • no_cuda: False
  • use_cpu: False
  • use_mps_device: False
  • seed: 42
  • data_seed: None
  • jit_mode_eval: False
  • use_ipex: False
  • bf16: True
  • fp16: False
  • 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, 'non_blocking': False, '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: None
  • hub_always_push: False
  • gradient_checkpointing: False
  • gradient_checkpointing_kwargs: None
  • include_inputs_for_metrics: False
  • include_for_metrics: []
  • 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_eval_metrics: False
  • eval_on_start: False
  • use_liger_kernel: False
  • eval_use_gather_object: False
  • average_tokens_across_devices: False
  • prompts: None
  • batch_sampler: batch_sampler
  • multi_dataset_batch_sampler: proportional

Framework Versions

  • Python: 3.11.7
  • Sentence Transformers: 3.3.1
  • Transformers: 4.48.0.dev0
  • PyTorch: 2.2.0+cu121
  • Accelerate: 1.0.1
  • Datasets: 3.2.0
  • Tokenizers: 0.21.0

Citation

If you use or finetune this model, please consider citing this paper and the sentence-transformers library:

BibTeX

This model

@misc{remy-2025-fmmb-be,
    title={The Fairly Multilingual ModernBERT Embbeding Model -- Belgian Edition},
    author={Francois Remy},
    year={2025},
    eprint={2501.99999},
    archivePrefix={arXiv},
    primaryClass={cs.CL}
}

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",
}

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
ModernBertModel
Ревизия весов
f6c8a30

0 моделей