/ Модель

Характеристики

Контекст
8 194 токена
Параметры
659 млн
Лицензия
Apache 2.0
Архитектура
xlm-roberta · dense
Базовая модель
bge-m3
Библиотека
sentence-transformers
Опубликована
12 июл 2024

bge-m3-es-legal-tmp-3

ЭмбеддингиТекст → embedding7 профессий

Дообученная на испанских текстах модель эмбеддингов для семантического поиска и сравнения предложений и документов.

109скачиваний за 30 дней0лайковвеса обновлены12 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 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

dariolopez/bge-m3-es-legal-tmp-3 — модель Sentence Transformers, дообученная разработчиком на основе BAAI/bge-m3 для работы с испанскими текстами. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 и предназначена для семантического поиска, сравнения сходства текстов, поиска перефразирований, кластеризации и классификации. Архитектура основана на XLM-RoBERTa с пулингом CLS-токена и нормализацией векторов; максимальная длина последовательности — 8192 токена. Для сравнения векторов в карточке указана косинусная близость.

Модель можно применять для семантического поиска по испанским документам и построения систем поиска и группировки текстов. Лицензия — Apache-2.0. Карточка называет модель специализированной для юридического испанского, однако приведённые сведения не описывают датасет или отдельную юридическую оценку, поэтому качество на конкретных юридических корпусах по ним установить нельзя.

Сценарии применения

  • семантический поиск по испанским юридическим документам
  • поиск похожих испанских предложений и абзацев
  • поиск перефразирований на испанском языке
  • кластеризация испанских текстов по смыслу
  • классификация испанских текстов по эмбеддингам

Ограничения

Модель выдаёт векторы, а не готовые текстовые ответы; для поиска требуется индексирование и сравнение эмбеддингов. Карточка не приводит данных о юридическом датасете или отдельной оценке качества на правовых текстах.

Для каких профессий подходит7

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

BGE large Legal Spanish

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
  • Language: es
  • License: apache-2.0

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("dariolopez/bge-m3-es-legal-tmp-3")
# Run inference
sentences = [
    'Artículo 6. Definiciones. 1. Discriminación directa e indirecta. b) La discriminación indirecta se produce cuando una disposición, criterio o práctica aparentemente neutros ocasiona o puede ocasionar a una o varias personas una desventaja particular con respecto a otras por razón de las causas previstas en el apartado 1 del artículo 2.',
    '¿Qué se considera discriminación indirecta?',
    '¿Qué tipo de información se considera veraz?',
]
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@10.5335
cosine_accuracy@30.7927
cosine_accuracy@50.8476
cosine_accuracy@100.8811
cosine_precision@10.5335
cosine_precision@30.2642
cosine_precision@50.1695
cosine_precision@100.0881
cosine_recall@10.5335
cosine_recall@30.7927
cosine_recall@50.8476
cosine_recall@100.8811
cosine_ndcg@100.7187
cosine_mrr@100.6652
cosine_map@1000.6706

Information Retrieval

MetricValue
cosine_accuracy@10.5366
cosine_accuracy@30.7988
cosine_accuracy@50.8445
cosine_accuracy@100.8872
cosine_precision@10.5366
cosine_precision@30.2663
cosine_precision@50.1689
cosine_precision@100.0887
cosine_recall@10.5366
cosine_recall@30.7988
cosine_recall@50.8445
cosine_recall@100.8872
cosine_ndcg@100.722
cosine_mrr@100.6678
cosine_map@1000.6725

Information Retrieval

MetricValue
cosine_accuracy@10.5396
cosine_accuracy@30.7988
cosine_accuracy@50.8415
cosine_accuracy@100.8841
cosine_precision@10.5396
cosine_precision@30.2663
cosine_precision@50.1683
cosine_precision@100.0884
cosine_recall@10.5396
cosine_recall@30.7988
cosine_recall@50.8415
cosine_recall@100.8841
cosine_ndcg@100.7235
cosine_mrr@100.6706
cosine_map@1000.6753

Information Retrieval

MetricValue
cosine_accuracy@10.5488
cosine_accuracy@30.7866
cosine_accuracy@50.8201
cosine_accuracy@100.878
cosine_precision@10.5488
cosine_precision@30.2622
cosine_precision@50.164
cosine_precision@100.0878
cosine_recall@10.5488
cosine_recall@30.7866
cosine_recall@50.8201
cosine_recall@100.878
cosine_ndcg@100.7222
cosine_mrr@100.6713
cosine_map@1000.6765

Information Retrieval

MetricValue
cosine_accuracy@10.5274
cosine_accuracy@30.7713
cosine_accuracy@50.8201
cosine_accuracy@100.8628
cosine_precision@10.5274
cosine_precision@30.2571
cosine_precision@50.164
cosine_precision@100.0863
cosine_recall@10.5274
cosine_recall@30.7713
cosine_recall@50.8201
cosine_recall@100.8628
cosine_ndcg@100.7052
cosine_mrr@100.6535
cosine_map@1000.6594

Information Retrieval

MetricValue
cosine_accuracy@10.5061
cosine_accuracy@30.7378
cosine_accuracy@50.8018
cosine_accuracy@100.8598
cosine_precision@10.5061
cosine_precision@30.2459
cosine_precision@50.1604
cosine_precision@100.086
cosine_recall@10.5061
cosine_recall@30.7378
cosine_recall@50.8018
cosine_recall@100.8598
cosine_ndcg@100.6884
cosine_mrr@100.6329
cosine_map@1000.6381

Training Details

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: 32
  • lr_scheduler_type: cosine
  • warmup_ratio: 0.1
  • 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
  • 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: 32
  • max_steps: -1
  • lr_scheduler_type: cosine
  • 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: 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
  • batch_sampler: no_duplicates
  • multi_dataset_batch_sampler: proportional

Training Logs

EpochStepTraining Losslossdim_1024_cosine_map@100dim_128_cosine_map@100dim_256_cosine_map@100dim_512_cosine_map@100dim_64_cosine_map@100dim_768_cosine_map@100
0.8649101.5054-------
0.951411-0.83990.66840.61480.65740.67700.52810.6691
1.7297201.0127-------
1.989223-0.50570.67570.65960.67150.67380.60170.6719
2.5946300.5708-------
2.940534-0.45930.67810.65510.67950.68060.61650.6697
3.4595400.2618-------
3.978446-0.41220.67870.66070.68420.67950.62270.6793
4.3243500.1079-------
4.929757-0.37170.68270.66090.68100.68680.62770.6769
5.1892600.0574-------
5.967669-0.33940.68240.64930.67770.67840.63440.6685
6.0541700.0342-------
6.9189800.02110.33790.67710.66270.67640.67660.63950.6723
7.7838900.0136-------
7.956892-0.31280.67900.65360.67890.67820.62790.6730
8.64861000.0087-------
8.9946104-0.31630.68110.65420.67160.67440.64130.6758
9.51351100.0073-------
9.9459115-0.29370.67300.65690.67350.67470.63800.6710
10.37841200.0049-------
10.9838127-0.29270.67010.65780.67720.67240.63550.6738
11.24321300.0044-------
11.9351138-0.28370.67200.65580.67910.67520.63760.6783
12.10811400.0035-------
12.97301500.00310.28970.67460.66100.67080.67390.63750.6769
13.83781600.0027-------
13.9243161-0.29610.67330.65620.66920.67040.64020.6740
14.70271700.0026-------
14.9622173-0.29340.67340.65570.67200.67200.63680.6726
15.56761800.0025-------
16.0185-0.29320.67350.65610.67180.67440.64140.6773
16.43241900.0023-------
16.9514196-0.29120.67080.65820.67610.67940.63670.6753
17.29732000.0021-------
17.9892208-0.29250.67260.65820.67470.67730.63570.6737
18.16222100.0022-------
18.9405219-0.29650.66880.65630.67580.67690.63720.6765
19.02702200.002-------
19.89192300.0019-------
19.9784231-0.30100.66970.65630.67680.67750.63800.6730
20.75682400.0018-------
20.9297242-0.30250.67280.65640.67640.67570.63670.6728
21.62162500.0019-------
21.9676254-0.30430.67070.65330.67330.67500.63520.6729
22.48652600.0018-------
22.9189265-0.30290.67060.65540.67340.67570.63550.6715
23.35142700.0018-------
23.9568277-0.30460.67060.65860.67330.67400.63830.6731
24.21622800.0018-------
24.9946289-0.30450.67220.65530.67400.67520.63640.6735
25.08112900.0016-------
25.94593000.00170.30610.67030.65640.67700.67360.63710.6724
26.81083100.0016-------
26.9838312-0.30230.66940.65810.67900.67710.63750.6731
27.67573200.0015-------
27.9351323-0.30350.67010.65850.67480.67870.63660.6729
28.54053300.0016-------
28.9730335-0.30170.66860.65680.67480.67100.63570.6713
29.40543400.0016-------
29.9243346-0.30430.66830.65490.67220.67620.63670.6712
30.27033500.0017-------
30.4432352-0.30560.67060.65940.67650.67530.63810.6725
  • The bold row denotes the saved checkpoint.

Framework Versions

  • Python: 3.10.12
  • Sentence Transformers: 3.0.1
  • Transformers: 4.42.3
  • PyTorch: 2.2.0+cu121
  • Accelerate: 0.32.1
  • Datasets: 2.20.0
  • 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
90b9497

0 моделей