/ Модель

Характеристики

Контекст
258 токенов
Параметры
162 млн
Лицензия
Apache 2.0
Архитектура
roberta · dense
Библиотека
generic
Опубликована
9 сен 2023

vietnamese-bi-encoder

Сходство предложенийТекст → score5 профессий

Вьетнамская bi-encoder-модель на основе PhoBERT преобразует предложения и абзацы в векторы для семантического поиска и кластеризации.

485 тыс.скачиваний за 30 дней82лайкавеса обновлены11 мар 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 оценки48

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

  • STSBenchmark-VN

    main_score

    Результат

    0,6997

    MTEB

    Публичная таблицаревизия совпадает

  • Touche2020-VN

    main_score

    Результат

    0,188

    MTEB

    Публичная таблицаревизия совпадает

  • MassiveIntentVNClassification

    main_score

    Результат

    0,6229

    MTEB

    Публичная таблицаревизия совпадает

  • Banking77VNClassification

    main_score

    Результат

    0,7551

    MTEB

    Публичная таблицаревизия совпадает

  • TwitterSemEval2015-VN

    main_score

    Результат

    0,6435

    MTEB

    Публичная таблицаревизия совпадает

  • CQADupstackStats-VN

    main_score

    Результат

    0,1864

    MTEB

    Публичная таблицаревизия совпадает

  • NFCorpus-VN

    main_score

    Результат

    0,2338

    MTEB

    Публичная таблицаревизия совпадает

  • ImdbVNClassification

    main_score

    Результат

    0,5901

    MTEB

    Публичная таблицаревизия совпадает

  • AmazonPolarityVNClassification

    main_score

    Результат

    0,6652

    MTEB

    Публичная таблицаревизия совпадает

  • SCIDOCS-VN

    main_score

    Результат

    0,0918

    MTEB

    Публичная таблицаревизия совпадает

  • StackExchangeClustering-VN

    main_score

    Результат

    0,4431

    MTEB

    Публичная таблицаревизия совпадает

  • CQADupstackWordpress-VN

    main_score

    Результат

    0,1621

    MTEB

    Публичная таблицаревизия совпадает

  • VieStudentFeedbackClassification

    main_score

    Результат

    0,6772

    MTEB

    Публичная таблицаревизия совпадает

  • EmotionVNClassification

    main_score

    Результат

    0,3184

    Общий результат 0,3122
    MTEB

    Публичная таблицаревизия совпадает

  • Quora-VN

    main_score

    Результат

    0,3755

    MTEB

    Публичная таблицаревизия совпадает

  • DBPedia-VN

    main_score

    Результат

    0,2022

    MTEB

    Публичная таблицаревизия совпадает

  • ArguAna-VN

    main_score

    Результат

    0,2865

    MTEB

    Публичная таблицаревизия совпадает

  • CQADupstackGis-VN

    main_score

    Результат

    0,178

    MTEB

    Публичная таблицаревизия совпадает

  • SprintDuplicateQuestions-VN

    main_score

    Результат

    0,9131

    Общий результат 0,9223
    MTEB

    Публичная таблицаревизия совпадает

  • StackOverflowDupQuestions-VN

    main_score

    Результат

    0,437

    MTEB

    Публичная таблицаревизия совпадает

  • AmazonReviewsVNClassification

    main_score

    Результат

    0,3279

    MTEB

    Публичная таблицаревизия совпадает

  • TweetSentimentExtractionVNClassification

    main_score

    Результат

    0,4696

    MTEB

    Публичная таблицаревизия совпадает

  • RedditClustering-VN

    main_score

    Результат

    0,286

    MTEB

    Публичная таблицаревизия совпадает

  • VieQuADRetrieval

    main_score

    Результат

    0,4347

    MTEB

    Публичная таблицаревизия совпадает

  • ClimateFEVER-VN

    main_score

    Результат

    0,1114

    MTEB

    Публичная таблицаревизия совпадает

  • AskUbuntuDupQuestions-VN

    main_score

    Результат

    0,5616

    MTEB

    Публичная таблицаревизия совпадает

  • RedditClusteringP2P-VN

    main_score

    Результат

    0,4382

    MTEB

    Публичная таблицаревизия совпадает

  • CQADupstackMathematica-VN

    main_score

    Результат

    0,1319

    MTEB

    Публичная таблицаревизия совпадает

  • TwentyNewsgroupsClustering-VN

    main_score

    Результат

    0,2612

    MTEB

    Публичная таблицаревизия совпадает

  • SciDocsRR-VN

    main_score

    Результат

    0,7187

    MTEB

    Публичная таблицаревизия совпадает

  • CQADupstackUnix-VN

    main_score

    Результат

    0,1948

    MTEB

    Публичная таблицаревизия совпадает

  • MTOPIntentVNClassification

    main_score

    Результат

    0,5584

    MTEB

    Публичная таблицаревизия совпадает

  • CQADupstackPhysics-VN

    main_score

    Результат

    0,2619

    MTEB

    Публичная таблицаревизия совпадает

  • SICK-R-VN

    main_score

    Результат

    0,6965

    MTEB

    Публичная таблицаревизия совпадает

  • BIOSSES-VN

    main_score

    Результат

    0,6613

    MTEB

    Публичная таблицаревизия совпадает

  • CQADupstackProgrammers-VN

    main_score

    Результат

    0,2042

    MTEB

    Публичная таблицаревизия совпадает

  • TwitterURLCorpus-VN

    main_score

    Результат

    0,8278

    MTEB

    Публичная таблицаревизия совпадает

  • MSMARCO-VN

    main_score

    Результат

    0,3013

    MTEB

    Публичная таблицаревизия совпадает

  • CQADupstackAndroid-VN

    main_score

    Результат

    0,2673

    MTEB

    Публичная таблицаревизия совпадает

  • HotpotQA-VN

    main_score

    Результат

    0,3448

    MTEB

    Публичная таблицаревизия совпадает

  • CQADupstackTex-VN

    main_score

    Результат

    0,1099

    MTEB

    Публичная таблицаревизия совпадает

  • SciFact-VN

    main_score

    Результат

    0,3929

    MTEB

    Публичная таблицаревизия совпадает

  • GreenNodeTableMarkdownRetrieval

    main_score

    Результат

    0,1562

    MTEB

    Публичная таблицаревизия совпадает

  • MassiveScenarioVNClassification

    main_score

    Результат

    0,6536

    MTEB

    Публичная таблицаревизия совпадает

  • FEVER-VN

    main_score

    Результат

    0,5311

    MTEB

    Публичная таблицаревизия совпадает

  • TRECCOVID-VN

    main_score

    Результат

    0,5457

    MTEB

    Публичная таблицаревизия совпадает

  • NQ-VN

    main_score

    Результат

    0,3063

    MTEB

    Публичная таблицаревизия совпадает

  • ToxicConversationsVNClassification

    main_score

    Результат

    0,619

    MTEB

    Публичная таблицаревизия совпадает

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Вьетнамская модель для сопоставления предложений и абзацев, разработанная BKAI Foundation Models. Она преобразует текст в плотные векторы размерностью 768 и предназначена для семантического поиска, ранжирования похожих текстов и кластеризации. В основе лежит PhoBERT-base-v2, дообученная на объединённых данных MS MARCO и SQuAD v2, переведённых на вьетнамский язык, а также на 80% обучающей выборки соревнования Legal Text Retrieval Zalo 2021.

Модель построена на архитектуре RoBERTa и содержит 162,4 млн параметров; максимальная длина контекста — 258 токенов. Для работы с вьетнамским текстом в Hugging Face Widget предусмотрена сегментация слов перед токенизацией. В README приведены результаты на оставшихся 20% выборки Legal Text Retrieval Zalo 2021, включая Acc@1 73,28 и MRR@10 80,73 для обученной модели.

Модель принимает текст и возвращает векторные представления, которые можно использовать для поиска и кластеризации. Она обучалась на вьетнамских данных, включая юридические тексты, поэтому результаты на других языках и в иных областях могут быть хуже. Лицензия — Apache-2.0.

Сценарии применения

  • семантический поиск по вьетнамским документам
  • поиск юридических текстов на вьетнамском языке
  • поиск релевантных ответов на вьетнамские вопросы
  • кластеризация вьетнамских предложений и абзацев

Ограничения

Модель обучена преимущественно на вьетнамских данных, включая юридические тексты, поэтому качество на других языках и вне этих сценариев может быть ниже. Контекст ограничен 258 токенами.

Для каких профессий подходит5

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

bkai-foundation-models/vietnamese-bi-encoder

This is a sentence-transformers model: It maps sentences & paragraphs to a 768 dimensional dense vector space and can be used for tasks like clustering or semantic search.

We train the model on a merged training dataset that consists of:

  • MS Macro (translated into Vietnamese)
  • SQuAD v2 (translated into Vietnamese)
  • 80% of the training set from the Legal Text Retrieval Zalo 2021 challenge

We use phobert-base-v2 as the pre-trained backbone.

Here are the results on the remaining 20% of the training set from the Legal Text Retrieval Zalo 2021 challenge:

Pretrained ModelTraining DatasetsAcc@1Acc@10Acc@100Pre@10MRR@10
Vietnamese-SBERT-32.3452.9789.847.0545.30
PhoBERT-base-v2MSMACRO47.8177.1992.347.7258.37
PhoBERT-base-v2MSMACRO + SQuADv2.0 + 80% Zalo73.2893.5998.859.3680.73

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

# INPUT TEXT MUST BE ALREADY WORD-SEGMENTED!
sentences = ["Cô ấy là một người vui_tính .", "Cô ấy cười nói suốt cả ngày ."]

model = SentenceTransformer('bkai-foundation-models/vietnamese-bi-encoder')
embeddings = model.encode(sentences)
print(embeddings)

Usage (Widget HuggingFace)

The widget use custom pipeline on top of the default pipeline by adding additional word segmenter before PhobertTokenizer. So you do not need to segment words before using the API:

An example could be seen in Hosted inference API.

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, we could use pyvi, underthesea, RDRSegment to segment words
sentences = ['Cô ấy là một người vui_tính .', 'Cô ấy cười nói suốt cả ngày .']

# Load model from HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('bkai-foundation-models/vietnamese-bi-encoder')
model = AutoModel.from_pretrained('bkai-foundation-models/vietnamese-bi-encoder')

# 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)

Training

The model was trained with the parameters:

DataLoader:

torch.utils.data.dataloader.DataLoader of length 17584 with parameters:

{'batch_size': 32, 'sampler': 'torch.utils.data.sampler.RandomSampler', 'batch_sampler': 'torch.utils.data.sampler.BatchSampler'}

Loss:

sentence_transformers.losses.MultipleNegativesRankingLoss.MultipleNegativesRankingLoss with parameters:

{'scale': 20.0, 'similarity_fct': 'cos_sim'}

Parameters of the fit()-Method:

{
    "epochs": 15,
    "evaluation_steps": 0,
    "evaluator": "NoneType",
    "max_grad_norm": 1,
    "optimizer_class": "<class 'torch.optim.adamw.AdamW'>",
    "optimizer_params": {
        "lr": 2e-05
    },
    "scheduler": "WarmupLinear",
    "steps_per_epoch": null,
    "warmup_steps": 1000,
    "weight_decay": 0.01
}

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 256, 'do_lower_case': False}) with Transformer model: RobertaModel
  (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})
)

Please cite our manuscript if this dataset is used for your work

  @article{duc2024towards,
    title={Towards Comprehensive Vietnamese Retrieval-Augmented Generation and Large Language Models},
    author={Nguyen Quang Duc, Le Hai Son, Nguyen Duc Nhan, Nguyen Dich Nhat Minh, Le Thanh Huong, Dinh Viet Sang},
    journal={arXiv preprint arXiv:2403.01616},
    year={2024}
  }

Как запустить

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

GPU в ailist

Универсальный рантайм · generic

Можно запустить

Подбираем GPU…

Класс архитектуры
RobertaModel
Ревизия весов
84f9d9a

0 моделей