/ Модель

Характеристики

Контекст
514 токенов
Параметры
305 млн
Архитектура
xlm-roberta · dense
Базовая модель
paraphrase-multilingual-mpnet-base-v2
Библиотека
sentence-transformers
Опубликована
8 мар 2025

make-multilingual-en-lb-checkpoint-5000

ЭмбеддингиТекст → embedding

Многоязычная модель эмбеддингов для сравнения предложений и семантического поиска, дообученная на английских и люксембургских текстах.

104скачиваний за 30 дней0лайковвеса обновлены8 мар 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

Это модель Sentence Transformers, дообученная автором aloizidis на базе sentence-transformers/paraphrase-multilingual-mpnet-base-v2 на наборе lb-en. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для сравнения смысловой близости текстов, семантического поиска и других задач сопоставления текста. В архитектуре используется XLM-RoBERTa с усреднением токенных представлений; сходство можно оценивать косинусной мерой.

Модель обучалась на 40 000 примерах английского и люксембургского текста и имеет длину последовательности 128 токенов по README. Метаданные указывают контекст до 514 токенов, однако фактическая максимальная длина из README ниже. Также модель можно применять для поиска перефразирований, кластеризации и классификации текстов. Условия лицензии в предоставленных данных не приведены.

Сценарии применения

  • поиск документов по смыслу запроса
  • оценка семантического сходства двух предложений
  • поиск перефразировок
  • кластеризация текстов по смыслу
  • классификация текстов на основе эмбеддингов

Ограничения

README указывает максимальную длину последовательности 128 токенов, поэтому длинный текст может потребовать разбиения; метаданные приводят значение контекста 514 токенов. Обучение описано для английского и люксембургского текста, поэтому качество на других языках отдельно не подтверждено.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

SentenceTransformer based on sentence-transformers/paraphrase-multilingual-mpnet-base-v2

This is a sentence-transformers model finetuned from sentence-transformers/paraphrase-multilingual-mpnet-base-v2 on the lb-en dataset. 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.

Model Details

Model Description

Model Sources

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 128, 'do_lower_case': False}) with Transformer model: XLMRobertaModel 
  (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

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("aloizidis/make-multilingual-en-lb-2025-02-28_01-09-55")
# Run inference
sentences = [
    'The cross-border workers should also receive more wages.',
    "D'grenzarbechetr missten och me' lo'n kre'en.",
    "De Néckel: Firun! Dât ass jo ailes, wèll 't get dach neischt un der Bréck gemâcht!",
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 768]

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

Evaluation

Metrics

Knowledge Distillation

MetricValue
negative_mse-0.4761

Translation

MetricValue
src2trg_accuracy0.9861
trg2src_accuracy0.9861
mean_accuracy0.9861

Training Details

Training Dataset

lb-en

  • Dataset: lb-en
  • Size: 40,000 training samples
  • Columns: english, non_english, and label
  • Approximate statistics based on the first 1000 samples:
    englishnon_englishlabel
    typestringstringlist
    detailsmin: 4 tokensmean: 25.32 tokensmax: 128 tokensmin: 5 tokensmean: 36.91 tokensmax: 128 tokenssize: 768 elements
  • Samples:
    englishnon_englishlabel
    A lesson for the next yearEng le’er fir dat anert joer[0.08891881257295609, 0.20895496010780334, -0.10672671347856522, -0.03302554786205292, 0.049002278596162796, ...]
    On Easter, the Maquisards' northern section organizes their big spring ball in Willy Pintsch's hall at the station.Op O'schteren organisieren d'Maquisard'eiii section Nord, hire gro'sse fre'joersbal am sali Willy Pintsch op der gare.[-0.08668982982635498, -0.06969941407442093, -0.0036096556577831507, 0.1605304628610611, -0.041704729199409485, ...]
    The happiness, the peace is long gone now,V ergângen ass nu läng dat gléck, de' fréd,[0.07229219377040863, 0.3288629353046417, -0.012548360042273998, 0.06720984727144241, -0.02617395855486393, ...]
  • Loss: MSELoss

Evaluation Dataset

lb-en

  • Dataset: lb-en
  • Size: 504 evaluation samples
  • Columns: english, non_english, and label
  • Approximate statistics based on the first 504 samples:
    englishnon_englishlabel
    typestringstringlist
    detailsmin: 5 tokensmean: 25.23 tokensmax: 85 tokensmin: 5 tokensmean: 36.48 tokensmax: 128 tokenssize: 768 elements
  • Samples:
    englishnon_englishlabel
    But he was not the instigator of the mass murders of the Jews, his lawyer explained, and he bore no more responsibility than the others.Mé hié wir net den ustêfter vun de massemuerden un de judden, erklärt sein affekot, an hicn hätt net me' verantwortong ze droen we' de' aner.[0.021159790456295013, 0.11144042760133743, 0.00869293138384819, 0.004551620222628117, -0.09236127883195877, ...]
    The Romanian automotive industry * For the first time in its history, Romania has started car production.D’rumänesch autoindustrie * Fir d'c'schte ke'er an senger geschieht huet Rumänien d'fabrikalio'n vun'den autoen opgeholl.[-0.16835248470306396, 0.14826826751232147, 0.01772368885576725, -0.027855699881911278, 0.04770198464393616, ...]
    The drugs were confiscated along with the dealer's car, mobile phones and cash.D'Drogen, den Auto, d'Boergeld an d'Handye si saiséiert ginn.[-0.05122023820877075, 0.01204440463334322, -0.025424882769584656, 0.1286350041627884, 0.034633491188287735, ...]
  • Loss: MSELoss

Training Hyperparameters

Non-Default Hyperparameters

  • eval_strategy: steps
  • per_device_train_batch_size: 32
  • per_device_eval_batch_size: 32
  • learning_rate: 2e-05
  • num_train_epochs: 5
  • 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: 32
  • per_device_eval_batch_size: 32
  • 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: 5
  • 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

Training Logs

EpochStepTraining Losslb-en losslb-en_negative_mselb-en_mean_accuracy
0.081000.00560.0048-0.77960.7887
0.162000.00510.0046-0.73300.8373
0.243000.00490.0044-0.69920.8740
0.324000.00470.0043-0.67630.8889
0.45000.00460.0042-0.65840.8988
0.486000.00450.0041-0.63770.9067
0.567000.00440.0040-0.62090.9206
0.648000.00430.0040-0.60870.9266
0.729000.00430.0039-0.59840.9395
0.810000.00420.0038-0.58870.9385
0.8811000.00420.0038-0.57990.9425
0.9612000.00410.0038-0.57250.9474
1.0413000.0040.0037-0.56900.9524
1.1214000.00390.0037-0.56020.9554
1.215000.00380.0037-0.55450.9603
1.2816000.00380.0036-0.55010.9673
1.360017000.00380.0036-0.54590.9643
1.4418000.00370.0036-0.54110.9702
1.5219000.00380.0036-0.53600.9722
1.620000.00370.0035-0.53260.9683
1.680021000.00370.0035-0.53100.9732
1.7622000.00360.0035-0.52640.9752
1.840023000.00370.0035-0.52240.9792
1.9224000.00360.0035-0.52050.9792
2.025000.00360.0034-0.51660.9782
2.0826000.00330.0034-0.51370.9782
2.1627000.00340.0034-0.51210.9812
2.2428000.00330.0034-0.50930.9802
2.3229000.00340.0034-0.50630.9821
2.430000.00340.0034-0.50510.9802
2.4831000.00340.0034-0.50300.9812
2.5632000.00330.0033-0.50020.9851
2.6433000.00340.0033-0.49620.9831
2.720034000.00340.0033-0.49360.9831
2.835000.00330.0033-0.49160.9841
2.8836000.00330.0033-0.48920.9841
2.9637000.00330.0033-0.48710.9841
3.0438000.00320.0033-0.48630.9861
3.1239000.00310.0033-0.48640.9841
3.240000.00310.0033-0.48590.9841
3.280041000.00310.0033-0.48480.9871
3.3642000.00310.0033-0.48380.9881
3.4443000.00310.0032-0.48370.9861
3.5244000.00310.0032-0.48170.9851
3.645000.00310.0032-0.48120.9841
3.6846000.00310.0032-0.47920.9861
3.7647000.00310.0032-0.47930.9851
3.8448000.00310.0032-0.47790.9871
3.9249000.00310.0032-0.47710.9861
4.050000.00310.0032-0.47610.9861

Framework Versions

  • Python: 3.11.11
  • Sentence Transformers: 3.4.1
  • Transformers: 4.49.0
  • PyTorch: 2.6.0
  • Accelerate: 1.4.0
  • Datasets: 3.3.2
  • Tokenizers: 0.21.0

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",
}

MSELoss

@inproceedings{reimers-2020-multilingual-sentence-bert,
    title = "Making Monolingual Sentence Embeddings Multilingual using Knowledge Distillation",
    author = "Reimers, Nils and Gurevych, Iryna",
    booktitle = "Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing",
    month = "11",
    year = "2020",
    publisher = "Association for Computational Linguistics",
    url = "https://arxiv.org/abs/2004.09813",
}

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
c300ade

0 моделей