/ Модель

Характеристики

Контекст
512 токенов
Параметры
40 млн
Лицензия
Apache 2.0
Архитектура
bert · dense
Базовая модель
gte-small
Библиотека
sentence-transformers
Опубликована
4 сен 2024

gte-small-finetune-test

ЭмбеддингиТекст → embedding10 профессий

Англоязычная модель эмбеддингов на базе GTE-small для семантического поиска и сравнения текстов.

104скачиваний за 30 дней0лайковвеса обновлены4 сен 2024

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

SMARTICT/gte-small-finetune-test — англоязычная модель Sentence Transformers, дообученная SMARTICT на базе thenlper/gte-small с использованием набора sentence-transformers/all-nli. Она кодирует предложения и абзацы в плотные векторы размерностью 384 для сравнения текстов по косинусному сходству. Архитектура основана на BERT: усреднение токенных представлений с последующей нормализацией. Максимальная длина входа — 512 токенов.

Модель предназначена для семантического поиска, оценки сходства предложений, поиска перефразировок, кластеризации и извлечения признаков для классификации текста. В README приведены результаты оценки на all-nli-dev и all-nli-test с cosine_accuracy 0,926 и 0,9348 соответственно. Модель ориентирована на английский язык; лицензия — Apache-2.0.

Сценарии применения

  • семантический поиск по англоязычным текстам
  • сравнение сходства предложений и абзацев
  • поиск перефразировок
  • кластеризация текстов по смыслу
  • извлечение признаков для классификации текста

Ограничения

Модель рассчитана на английский язык и ограничивает вход последовательностями длиной до 512 токенов. Приведённые метрики получены на all-nli и сами по себе не гарантируют качество на других доменах.

Для каких профессий подходит10

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

gte small finetuned on NLI

This is a sentence-transformers model finetuned from thenlper/gte-small on the sentence-transformers/all-nli dataset. It maps sentences & paragraphs to a 384-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: thenlper/gte-small
  • Maximum Sequence Length: 512 tokens
  • Output Dimensionality: 384 tokens
  • Similarity Function: Cosine Similarity
  • Training Dataset:
  • Language: en
  • License: apache-2.0

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': 384, '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})
  (2): 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("SMARTICT/gte-small-finetune-test")
# Run inference
sentences = [
    'A construction worker peeking out of a manhole while his coworker sits on the sidewalk smiling.',
    'A worker is looking out of a manhole.',
    'The workers are both inside the manhole.',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 384]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]

Evaluation

Metrics

Triplet

MetricValue
cosine_accuracy0.926
dot_accuracy0.074
manhattan_accuracy0.9253
euclidean_accuracy0.926
max_accuracy0.926

Triplet

MetricValue
cosine_accuracy0.9348
dot_accuracy0.0652
manhattan_accuracy0.9331
euclidean_accuracy0.9348
max_accuracy0.9348

Training Details

Training Dataset

sentence-transformers/all-nli

  • Dataset: sentence-transformers/all-nli at d482672
  • Size: 100,000 training samples
  • Columns: anchor, positive, and negative
  • Approximate statistics based on the first 1000 samples:
    anchorpositivenegative
    typestringstringstring
    detailsmin: 7 tokensmean: 10.46 tokensmax: 46 tokensmin: 6 tokensmean: 12.81 tokensmax: 40 tokensmin: 5 tokensmean: 13.4 tokensmax: 50 tokens
  • Samples:
    anchorpositivenegative
    A person on a horse jumps over a broken down airplane.A person is outdoors, on a horse.A person is at a diner, ordering an omelette.
    Children smiling and waving at cameraThere are children presentThe kids are frowning
    A boy is jumping on skateboard in the middle of a red bridge.The boy does a skateboarding trick.The boy skates down the sidewalk.
  • Loss: MultipleNegativesRankingLoss with these parameters:
    {
        "scale": 20.0,
        "similarity_fct": "cos_sim"
    }
    

Evaluation Dataset

sentence-transformers/all-nli

  • Dataset: sentence-transformers/all-nli at d482672
  • Size: 6,584 evaluation samples
  • Columns: anchor, positive, and negative
  • Approximate statistics based on the first 1000 samples:
    anchorpositivenegative
    typestringstringstring
    detailsmin: 6 tokensmean: 17.95 tokensmax: 63 tokensmin: 4 tokensmean: 9.78 tokensmax: 29 tokensmin: 5 tokensmean: 10.35 tokensmax: 29 tokens
  • Samples:
    anchorpositivenegative
    Two women are embracing while holding to go packages.Two woman are holding packages.The men are fighting outside a deli.
    Two young children in blue jerseys, one with the number 9 and one with the number 2 are standing on wooden steps in a bathroom and washing their hands in a sink.Two kids in numbered jerseys wash their hands.Two kids in jackets walk to school.
    A man selling donuts to a customer during a world exhibition event held in the city of AngelesA man selling donuts to a customer.A woman drinks her coffee in a small cafe.
  • 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: 16
  • per_device_eval_batch_size: 16
  • num_train_epochs: 1
  • warmup_ratio: 0.1
  • bf16: True
  • batch_sampler: no_duplicates

All Hyperparameters

  • overwrite_output_dir: False
  • do_predict: False
  • eval_strategy: steps
  • prediction_loss_only: True
  • per_device_train_batch_size: 16
  • per_device_eval_batch_size: 16
  • 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
  • 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: 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_eval_metrics: False
  • eval_on_start: False
  • batch_sampler: no_duplicates
  • multi_dataset_batch_sampler: proportional

Training Logs

EpochStepTraining Losslossall-nli-dev_max_accuracyall-nli-test_max_accuracy
00--0.9160-
0.0161001.41070.66600.9069-
0.0322000.73680.61550.8950-
0.0483001.07290.55220.9054-
0.0644000.7190.56470.8957-
0.085000.72730.62780.8829-
0.0966000.92220.56520.8975-
0.1127000.84020.58370.8947-
0.1288000.95110.61100.8864-
0.1449001.07130.59230.8852-
0.1610000.94950.52160.8888-
0.17611001.00790.62630.8777-
0.19212000.91950.59700.8777-
0.20813000.80180.63420.8765-
0.22414000.71240.64620.8764-
0.2415000.7090.52320.8964-
0.25616000.60550.61090.8838-
0.27217000.78870.66200.8768-
0.28818000.7890.59570.8829-
0.30419000.67110.53770.8946-
0.3220000.60860.55960.8932-
0.33621000.50670.56760.8861-
0.35222000.53870.57040.8900-
0.36823000.65740.53080.8890-
0.38424000.62320.50510.8928-
0.425000.60450.51790.9023-
0.41626000.47950.47660.8960-
0.43227000.73720.54630.8979-
0.44828000.75930.53370.8878-
0.46429000.73840.52030.8923-
0.4830000.63360.50990.8897-
0.49631000.66340.48030.8954-
0.51232000.54430.45240.9048-
0.52833000.52920.42320.9104-
0.54434000.46330.44140.9093-
0.5635000.44420.43930.9087-
0.57636000.44430.41780.9128-
0.59237000.47360.41230.9134-
0.60838000.40770.40250.9174-
0.62439000.40690.40320.9156-
0.6440000.69390.43530.9146-
0.65641000.8650.41540.9172-
0.67242000.85180.39250.9172-
0.68843000.59890.38640.9190-
0.70444000.53990.36790.9197-
0.7245000.4970.37660.9221-
0.73646000.5850.37080.9228-
0.75247000.64540.36080.9203-
0.76848000.54140.35930.9213-
0.78449000.46480.36340.9210-
0.850000.57810.37820.9216-
0.81651000.44010.36620.9227-
0.83252000.52410.35950.9215-
0.84853000.4590.36180.9215-
0.86454000.55290.36930.9216-
0.8855000.52020.35730.9218-
0.89656000.47030.35290.9231-
0.91257000.56580.35130.9245-
0.92858000.50160.34910.9236-
0.94459000.63060.34920.9257-
0.9660000.67210.35070.9266-
0.97661000.5860.35090.9257-
0.99262000.00140.35110.9260-
1.06250---0.9348

Framework Versions

  • Python: 3.10.12
  • Sentence Transformers: 3.0.1
  • Transformers: 4.42.4
  • PyTorch: 2.4.0+cu121
  • Accelerate: 0.32.1
  • Datasets: 2.21.0
  • 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",
}

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
532b6f9

0 моделей