/ Модель

Характеристики

Контекст
8 194 токена
Параметры
659 млн
Архитектура
xlm-roberta · dense
Базовая модель
bge-m3
Библиотека
sentence-transformers
Опубликована
30 авг 2024

ST-tramits-sitges-002-5ep

ЭмбеддингиТекст → embedding

Многоязычная модель эмбеддингов на базе BAAI/bge-m3, дообученная для семантического поиска по вопросам и документам об административных процедурах Ситжеса.

101скачиваний за 30 дней1лайквеса обновлены30 авг 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

adriansanz/ST-tramits-sitges-002-5ep — модель Sentence Transformer, дообученная на базе BAAI/bge-m3 для поиска и сопоставления текстов, связанных с административными процедурами муниципалитета Ситжеса. Она преобразует предложения и абзацы в нормализованные плотные векторы размерностью 1024; сходство оценивается косинусной мерой. Архитектура основана на XLM-RoBERTa с пулингом CLS-токена, а максимальная длина последовательности составляет 8192 токена. В метаданных указано 658,7 млн параметров и библиотека Sentence Transformers.

Модель подходит для семантического поиска по муниципальным документам, поиска похожих вопросов и ответов, выявления перефразировок, кластеризации и извлечения признаков для классификации. Обучающие примеры содержат вопросы и соответствующие им тексты на каталанском языке о процедурах, услугах и помощи муниципалитета Ситжеса. Поэтому основная специализация модели — поиск по этому корпусу и близким административным текстам; README не подтверждает качество на других темах или языках. Лицензия в предоставленных данных не указана.

Сценарии применения

  • поиск муниципальной процедуры по вопросу на каталанском языке
  • нахождение релевантного фрагмента в документах муниципалитета Ситжеса
  • поиск похожих вопросов об услугах и субсидиях
  • сопоставление перефразированных вопросов с описаниями процедур
  • кластеризация текстов муниципальных обращений

Ограничения

Дообучение ориентировано на административные тексты Ситжеса; применимость к другим предметным областям и языкам не подтверждена. Это модель эмбеддингов, которая выдаёт векторы, а не готовые ответы на вопросы.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

SentenceTransformer based on BAAI/bge-m3

This is a sentence-transformers model finetuned from BAAI/bge-m3. It maps sentences & paragraphs to a 1024-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: BAAI/bge-m3
  • Maximum Sequence Length: 8192 tokens
  • Output Dimensionality: 1024 tokens
  • Similarity Function: Cosine Similarity

Model Sources

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 8192, 'do_lower_case': False}) with Transformer model: XLMRobertaModel 
  (1): Pooling({'word_embedding_dimension': 1024, 'pooling_mode_cls_token': True, 'pooling_mode_mean_tokens': False, '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("adriansanz/sitgrsBAAIbge-m3-300824")
# Run inference
sentences = [
    'Per valorar l’interès de la proposta es tindrà en compte: Tipus d’activitat Antecedents Dates de celebració Accions de promoció dutes a terme des de l’organització Nivell de molèstia previst i interferència en la vida quotidiana.',
    "Quin és el paper de les accions de promoció en les subvencions per a projectes i activitats de l'àmbit turístic?",
    "Quin és el benefici de la realització d'exposicions al Centre Cultural Miramar?",
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 1024]

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

Evaluation

Metrics

Information Retrieval

MetricValue
cosine_accuracy@10.0591
cosine_accuracy@30.1276
cosine_accuracy@50.1735
cosine_accuracy@100.2861
cosine_precision@10.0591
cosine_precision@30.0425
cosine_precision@50.0347
cosine_precision@100.0286
cosine_recall@10.0591
cosine_recall@30.1276
cosine_recall@50.1735
cosine_recall@100.2861
cosine_ndcg@100.1537
cosine_mrr@100.1139
cosine_map@1000.1398

Information Retrieval

MetricValue
cosine_accuracy@10.0591
cosine_accuracy@30.1257
cosine_accuracy@50.1801
cosine_accuracy@100.2946
cosine_precision@10.0591
cosine_precision@30.0419
cosine_precision@50.036
cosine_precision@100.0295
cosine_recall@10.0591
cosine_recall@30.1257
cosine_recall@50.1801
cosine_recall@100.2946
cosine_ndcg@100.1564
cosine_mrr@100.1149
cosine_map@1000.1405

Information Retrieval

MetricValue
cosine_accuracy@10.0591
cosine_accuracy@30.1257
cosine_accuracy@50.1707
cosine_accuracy@100.2983
cosine_precision@10.0591
cosine_precision@30.0419
cosine_precision@50.0341
cosine_precision@100.0298
cosine_recall@10.0591
cosine_recall@30.1257
cosine_recall@50.1707
cosine_recall@100.2983
cosine_ndcg@100.1571
cosine_mrr@100.115
cosine_map@1000.1397

Information Retrieval

MetricValue
cosine_accuracy@10.0516
cosine_accuracy@30.121
cosine_accuracy@50.1679
cosine_accuracy@100.2889
cosine_precision@10.0516
cosine_precision@30.0403
cosine_precision@50.0336
cosine_precision@100.0289
cosine_recall@10.0516
cosine_recall@30.121
cosine_recall@50.1679
cosine_recall@100.2889
cosine_ndcg@100.1498
cosine_mrr@100.1082
cosine_map@1000.1338

Information Retrieval

MetricValue
cosine_accuracy@10.0516
cosine_accuracy@30.1173
cosine_accuracy@50.1717
cosine_accuracy@100.2889
cosine_precision@10.0516
cosine_precision@30.0391
cosine_precision@50.0343
cosine_precision@100.0289
cosine_recall@10.0516
cosine_recall@30.1173
cosine_recall@50.1717
cosine_recall@100.2889
cosine_ndcg@100.1488
cosine_mrr@100.1069
cosine_map@1000.1328

Information Retrieval

MetricValue
cosine_accuracy@10.0507
cosine_accuracy@30.1126
cosine_accuracy@50.1642
cosine_accuracy@100.2824
cosine_precision@10.0507
cosine_precision@30.0375
cosine_precision@50.0328
cosine_precision@100.0282
cosine_recall@10.0507
cosine_recall@30.1126
cosine_recall@50.1642
cosine_recall@100.2824
cosine_ndcg@100.1449
cosine_mrr@100.104
cosine_map@1000.1306

Training Details

Training Dataset

Unnamed Dataset

  • Size: 9,593 training samples
  • Columns: positive and anchor
  • Approximate statistics based on the first 1000 samples:
    positiveanchor
    typestringstring
    detailsmin: 5 tokensmean: 49.28 tokensmax: 178 tokensmin: 10 tokensmean: 21.16 tokensmax: 41 tokens
  • Samples:
    positiveanchor
    Mitjançant aquest tràmit la persona interessada posa en coneixement de l'Ajuntament l’inici o modificació substancial d’una activitat econòmica, i hi adjunta el certificat tècnic acreditatiu del compliment dels requisits necessaris que estableix la normativa vigent per a l‘exercici de l’activitat.Quin és el resultat esperat després de presentar el certificat tècnic en el tràmit de comunicació d'inici d'activitat?
    L'Ajuntament de Sitges ofereix a aquelles famílies que acompleixin els requisits establerts, ajuts per al pagament de la quota del servei i de la quota del menjador dels infants matriculats a les Llars d'Infants Municipals ( 0-3 anys).Quins són els requisits per a beneficiar-se dels ajuts de l'Ajuntament de Sitges?
    Les entitats o associacions culturals han de presentar la sol·licitud de subvenció dins del termini establert per l'Ajuntament de Sitges.Quin és el termini per a presentar una sol·licitud de subvenció per a un projecte cultural?
  • Loss: MatryoshkaLoss with these parameters:
    {
        "loss": "MultipleNegativesRankingLoss",
        "matryoshka_dims": [
            1024,
            768,
            512,
            256,
            128,
            64
        ],
        "matryoshka_weights": [
            1,
            1,
            1,
            1,
            1,
            1
        ],
        "n_dims_per_step": -1
    }
    

Training Hyperparameters

Non-Default Hyperparameters

  • eval_strategy: epoch
  • per_device_train_batch_size: 16
  • per_device_eval_batch_size: 16
  • gradient_accumulation_steps: 16
  • learning_rate: 2e-05
  • num_train_epochs: 5
  • lr_scheduler_type: cosine
  • warmup_ratio: 0.2
  • bf16: True
  • tf32: True
  • load_best_model_at_end: True
  • optim: adamw_torch_fused
  • batch_sampler: no_duplicates

All Hyperparameters

  • overwrite_output_dir: False
  • do_predict: False
  • eval_strategy: epoch
  • 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: 16
  • 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: 5
  • max_steps: -1
  • lr_scheduler_type: cosine
  • lr_scheduler_kwargs: {}
  • warmup_ratio: 0.2
  • 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: True
  • 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: True
  • 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_fused
  • 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
  • eval_use_gather_object: False
  • batch_sampler: no_duplicates
  • multi_dataset_batch_sampler: proportional

Training Logs

EpochStepTraining Lossdim_1024_cosine_map@100dim_128_cosine_map@100dim_256_cosine_map@100dim_512_cosine_map@100dim_64_cosine_map@100dim_768_cosine_map@100
0.2667103.5318------
0.5333202.3744------
0.8301.6587------
0.986737-0.13500.13170.13490.13410.12070.1322
1.0667401.1513------
1.3333501.0055------
1.6600.7369------
1.8667700.4855------
2.075-0.13660.13700.13760.13450.12900.1355
2.1333800.4362------
2.4900.3943------
2.66671000.3495------
2.93331100.2138------
2.9867112-0.13640.13420.13740.13610.12560.1367
3.21200.2176------
3.46671300.2513------
3.73331400.2163------
4.01500.150.14010.13080.13320.13960.12790.1396
4.26671600.1613------
4.53331700.1955------
4.81800.1514------
4.9333185-0.13980.13280.13380.13970.13060.1405
  • The bold row denotes the saved checkpoint.

Framework Versions

  • Python: 3.10.12
  • Sentence Transformers: 3.0.1
  • Transformers: 4.44.2
  • PyTorch: 2.4.0+cu121
  • Accelerate: 0.34.0.dev0
  • 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",
}

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
XLMRobertaModel
Ревизия весов
2e32446

0 моделей