/ Модель

Характеристики

Контекст
512 токенов
Параметры
435 млн
Архитектура
bert · dense
Опубликована
17 ноя 2022

German_Semantic_STS_V2

ЭмбеддингиТекст → embedding9 профессий

Модель на базе gBERT-large создаёт немецкие векторные эмбеддинги предложений для семантического поиска, сравнения и кластеризации.

97 416скачиваний за 30 дней49лайковвеса обновлены9 июл 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 оценки28

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

  • MLQARetrieval

    main_score

    Результат

    0,152

    Общий результат 0,0885Общий результат 0,0331Общий результат 0,0202
    MTEB

    Публичная таблицаревизия совпадает

  • CDSC-R

    main_score

    Результат

    0,6967

    MTEB

    Публичная таблицаревизия совпадает

  • MassiveScenarioClassification

    main_score

    Результат

    0,0983

    Общий результат 0,1193Общий результат 0,072
    MTEB

    Публичная таблицаревизия совпадает

  • PhincBitextMining

    main_score

    Результат

    0,2818

    MTEB

    Публичная таблицаревизия совпадает

  • IndicGenBenchFloresBitextMining

    main_score

    Результат

    0,0894

    Общий результат 0,0763
    MTEB

    Публичная таблицаревизия совпадает

  • SwedishSentimentClassification

    main_score

    Результат

    0,7073

    MTEB

    Публичная таблицаревизия совпадает

  • MassiveIntentClassification

    main_score

    Результат

    0,4174

    Общий результат 0,4173Общий результат 0,3803Общий результат 0,3692
    MTEB

    Публичная таблицаревизия совпадает

  • SIB200ClusteringS2S

    main_score

    Результат

    0,0732

    Общий результат 0,1099Общий результат 0,0944Общий результат 0,0804
    MTEB

    Публичная таблицаревизия совпадает

  • CodeSearchNetCCRetrieval

    main_score

    Результат

    0,2385

    MTEB

    Публичная таблицаревизия совпадает

  • WikipediaRetrievalMultilingual

    main_score

    Результат

    0,2179

    MTEB

    Публичная таблицаревизия совпадает

  • Tatoeba

    main_score

    Результат

    0,0348

    MTEB

    Публичная таблицаревизия совпадает

  • SpartQA

    main_score

    Результат

    0,0177

    MTEB

    Публичная таблицаревизия совпадает

  • MIRACLRetrievalHardNegatives

    main_score

    Результат

    0,0014

    MTEB

    Публичная таблицаревизия совпадает

  • CodeEditSearchRetrieval

    main_score

    Результат

    0,133

    MTEB

    Публичная таблицаревизия совпадает

  • XQuADRetrieval

    main_score

    Результат

    0,0757

    MTEB

    Публичная таблицаревизия совпадает

  • TweetSentimentClassification

    main_score

    Результат

    0,3719

    MTEB

    Публичная таблицаревизия совпадает

  • MIRACLReranking

    main_score

    Результат

    0,1475

    Общий результат 0,1045
    MTEB

    Публичная таблицаревизия совпадает

  • MultiEURLEXMultilabelClassification

    main_score

    Результат

    0,0109

    MTEB

    Публичная таблицаревизия совпадает

  • DKHateClassification

    main_score

    Результат

    0,5079

    MTEB

    Публичная таблицаревизия совпадает

  • Touche2020Retrieval.v3

    main_score

    Результат

    0,1576

    MTEB

    Публичная таблицаревизия совпадает

  • StatcanDialogueDatasetRetrieval

    main_score

    Результат

    0,0082

    MTEB

    Публичная таблицаревизия совпадает

  • GeoreviewClassification

    main_score

    Результат

    0,2596

    MTEB

    Публичная таблицаревизия совпадает

  • STSBenchmarkMultilingualSTS

    main_score

    Результат

    0,7591

    MTEB

    Публичная таблицаревизия совпадает

  • MLSUMClusteringP2P

    main_score

    Результат

    0,3766

    MTEB

    Публичная таблицаревизия совпадает

  • XNLI

    main_score

    Результат

    0,7297

    MTEB

    Публичная таблицаревизия совпадает

  • TwitterURLCorpus

    main_score

    Результат

    0,8151

    MTEB

    Публичная таблицаревизия совпадает

  • MasakhaNEWSClusteringS2S

    main_score

    Результат

    0,2685

    MTEB

    Публичная таблицаревизия совпадает

  • STS22

    main_score

    Результат

    0,2255

    MTEB

    Публичная таблицаревизия совпадает

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

German_Semantic_STS_V2 — модель эмбеддингов предложений на базе gBERT-large, дообученная Aaron Chibb для семантических задач на немецком языке. Она преобразует предложения и абзацы в плотные векторы размерности 1024 и подходит для семантического поиска, сравнения сходства и кластеризации текстов. В качестве обучающих данных использован немецкий вариант STS Benchmark; при дообучении применялась ContrastiveLoss. Модель имеет архитектуру BERT, содержит 434,5 млн параметров и принимает контекст до 512 токенов.

По результатам, приведённым в карточке, модель показала наилучший Spearman среди перечисленных там моделей сравнения. Она предназначена прежде всего для немецких текстов; автор карточки также рекомендует более новые версии V3 и V3b. Репозиторий содержит веса PyTorch и safetensors. Лицензия в предоставленных данных не указана.

Сценарии применения

  • семантический поиск по немецким документам
  • сравнение смыслового сходства немецких предложений
  • поиск парафразов на немецком языке
  • кластеризация немецких текстов по смыслу
  • получение эмбеддингов для немецкого RAG

Ограничения

Модель ориентирована на немецкий язык и ограничена контекстом в 512 токенов. В карточке автор рекомендует более новые версии V3 и V3b; качество на других языках не заявлено.

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

German_Semantic_STS_V2

Note: Check out my new, updated models: German_Semantic_V3 and V3b!

This model creates german embeddings for semantic use cases.

This is a sentence-transformers model: It maps sentences & paragraphs to a 1024 dimensional dense vector space and can be used for tasks like clustering or semantic search.

Special thanks to deepset for providing the model gBERT-large and also to Philip May for the Translation of the dataset and chats about the topic.

Model score after fine-tuning scores best, compared to these models:

Model NameSpearman
xlm-r-distilroberta-base-paraphrase-v10.8079
xlm-r-100langs-bert-base-nli-stsb-mean-tokens0.7877
xlm-r-bert-base-nli-stsb-mean-tokens0.7877
roberta-large-nli-stsb-mean-tokens0.6371
T-Systems-onsite/german-roberta-sentence-transformer-v20.8529
paraphrase-multilingual-mpnet-base-v20.8355
T-Systems-onsite/cross-en-de-roberta-sentence-transformer0.8550
aari1995/German_Semantic_STS_V20.8626

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('aari1995/German_Semantic_STS_V2')
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('aari1995/German_Semantic_STS_V2')
model = AutoModel.from_pretrained('aari1995/German_Semantic_STS_V2')

# 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 1438 with parameters:

{'batch_size': 4, 'sampler': 'torch.utils.data.sampler.RandomSampler', 'batch_sampler': 'torch.utils.data.sampler.BatchSampler'}

Loss:

sentence_transformers.losses.ContrastiveLoss.ContrastiveLoss with parameters:

{'distance_metric': 'SiameseDistanceMetric.COSINE_DISTANCE', 'margin': 0.5, 'size_average': True}

Parameters of the fit()-Method:

{
    "epochs": 4,
    "evaluation_steps": 500,
    "evaluator": "sentence_transformers.evaluation.EmbeddingSimilarityEvaluator.EmbeddingSimilarityEvaluator",
    "max_grad_norm": 1,
    "optimizer_class": "<class 'torch.optim.adamw.AdamW'>",
    "optimizer_params": {
        "lr": 5e-06
    },
    "scheduler": "WarmupLinear",
    "steps_per_epoch": null,
    "warmup_steps": 576,
    "weight_decay": 0.01
}

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: BertModel 
  (1): Pooling({'word_embedding_dimension': 1024, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False})
)

Citing & Authors

The base model is trained by deepset. The dataset was published / translated by Philip May. The model was fine-tuned by Aaron Chibb.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
BertModel
Ревизия весов
2291254

0 моделей