/ Модель

Характеристики

Контекст
514 токенов
Параметры
305 млн
Архитектура
xlm-roberta · dense
Опубликована
24 июл 2023

embedder-100p

Сходство предложенийТекст → score9 профессий

Двуязычная модель XLM-RoBERTa создаёт эмбеддинги предложений и абзацев для семантического поиска и кластеризации на английском и немецком языках.

165скачиваний за 30 дней2лайкавеса обновлены30 дек 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 оценки29

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

  • TRECCOVID

    ndcg_at_1 · выше — лучше

    Результат

    0,51

    MTEB

    Публичная таблицаревизия не подтверждена

  • XPQARetrieval

    main_score

    Результат

    0,053

    Общий результат 0,4666Общий результат 0,3019Общий результат 0,28
    MTEB

    Публичная таблицадругая ревизия

  • HotpotQA

    recall_at_1000 · выше — лучше

    Результат

    0,734

    Общий результат 0,4581
    MTEB

    Публичная таблицаревизия не подтверждена

  • DBPedia

    precision_at_3 · выше — лучше

    Результат

    0,3475

    Общий результат 0,0654
    MTEB

    Публичная таблицаревизия не подтверждена

  • QuoraRetrieval

    recall_at_10 · выше — лучше

    Результат

    0,9357

    MTEB

    Публичная таблицаревизия не подтверждена

  • STSBenchmarkMultilingualSTS

    main_score

    Результат

    0,4594

    MTEB

    Публичная таблицадругая ревизия

  • WikipediaRetrievalMultilingual

    main_score

    Результат

    0,1514

    Общий результат 0,5186
    MTEB

    Публичная таблицадругая ревизия

  • MintakaRetrieval

    main_score

    Результат

    0,1369

    MTEB

    Публичная таблицадругая ревизия

  • CQADupstackAndroidRetrieval

    precision_at_1000 · выше — лучше

    Результат

    0,002

    MTEB

    Публичная таблицаревизия не подтверждена

  • IndicGenBenchFloresBitextMining

    main_score

    Результат

    0,3787

    Общий результат 0,3851Общий результат 0,3439Общий результат 0,2666
    MTEB

    Публичная таблицадругая ревизия

  • STS22

    main_score

    Результат

    0,6253

    MTEB

    Публичная таблицадругая ревизия

  • FiQA2018

    ndcg_at_1000 · выше — лучше

    Результат

    0,4155

    Общий результат 0,0164
    MTEB

    Публичная таблицаревизия не подтверждена

  • DanishPoliticalCommentsClassification

    main_score

    Результат

    0,3051

    MTEB

    Публичная таблицадругая ревизия

  • TweetSentimentClassification

    main_score

    Результат

    0,3637

    MTEB

    Публичная таблицадругая ревизия

  • NFCorpus

    precision_at_1000 · выше — лучше

    Результат

    0,0208

    MTEB

    Публичная таблицаревизия не подтверждена

  • Tatoeba

    main_score

    Результат

    0,1988

    MTEB

    Публичная таблицадругая ревизия

  • SIB200ClusteringS2S

    main_score

    Результат

    0,1679

    Общий результат 0,1879Общий результат 0,1084Общий результат 0,0452
    MTEB

    Публичная таблицадругая ревизия

  • NusaX-senti

    main_score

    Результат

    0,55

    Общий результат 0,5518
    MTEB

    Публичная таблицадругая ревизия

  • NQ

    precision_at_1 · выше — лучше

    Результат

    0,2242

    MTEB

    Публичная таблицаревизия не подтверждена

  • MLQARetrieval

    main_score

    Результат

    0,5404

    MTEB

    Публичная таблицадругая ревизия

  • MultiEURLEXMultilabelClassification

    main_score

    Результат

    0,0351

    Общий результат 0,0391Общий результат 0,0346
    MTEB

    Публичная таблицадругая ревизия

  • MassiveIntentClassification

    main_score

    Результат

    0,3641

    Общий результат 0,4035Общий результат 0,269
    MTEB

    Публичная таблицадругая ревизия

  • CQADupstackWordpressRetrieval

    main_score

    Результат

    0,2356

    MTEB

    Публичная таблицадругая ревизия

  • AmazonCounterfactualClassification

    main_score

    Результат

    0,6691

    MTEB

    Публичная таблицадругая ревизия

  • EmotionClassification

    accuracy · выше — лучше

    Результат

    0,4347

    MTEB

    Публичная таблицаревизия не подтверждена

  • AmazonReviewsClassification

    main_score

    Результат

    0,3018

    MTEB

    Публичная таблицадругая ревизия

  • IndicCrosslingualSTS

    main_score

    Результат

    0,0278

    MTEB

    Публичная таблицадругая ревизия

  • TwitterURLCorpus

    cos_sim.f1 · выше — лучше

    Результат

    0,7719

    MTEB

    Публичная таблицаревизия не подтверждена

  • ClimateFEVER

    ndcg_at_100 · выше — лучше

    Результат

    0,2917

    MTEB

    Публичная таблицаревизия не подтверждена

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

embedder-100p — двуязычная модель эмбеддингов от автора @bayang, созданная на основе bi-encoder из семейства XLM-RoBERTa и Sentence-Transformers. Модель содержит 305,2 млн параметров и преобразует предложения и абзацы в плотные векторы размерностью 768 для сравнения семантической близости.

Модель предназначена для семантического поиска и кластеризации текстов на английском и немецком языках. Она обучалась на более чем 20 ГБ немецких текстовых данных с применением дистилляции, чтобы получить двуязычные эмбеддинги; заявленный контекст — 514 токенов. Доступны веса PyTorch и Safetensors.

Для получения векторов можно использовать Sentence-Transformers либо Transformers с соответствующей операцией pooling. Карточка не сообщает результатов оценки MTEB, поэтому качество на конкретных наборах данных по ней оценить нельзя. Лицензия в предоставленных данных не указана.

Сценарии применения

  • семантический поиск по англоязычным документам
  • семантический поиск по немецким документам
  • поиск похожих предложений на английском и немецком
  • кластеризация англоязычных текстов
  • кластеризация немецкоязычных текстов

Ограничения

Модель ориентирована на английский и немецкий языки; для других языков качество не установлено. Карточка не приводит результаты MTEB, а заявленный контекст ограничен 514 токенами.

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

embedder-100p

This is a ms-marco bi-encoder from 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. It is trained on more than 20GiB of german text. It used the knowledge distillation to be a bi-language embedding model (English and German).

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('embedder-100p')
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('embedder-100p')
model = AutoModel.from_pretrained('embedder-100p')

# 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

The evaluation on MTEB

Training

The model was trained with the parameters:

DataLoader:

torch.utils.data.dataloader.DataLoader of length 231230 with parameters:

{'batch_size': 16, 'sampler': 'torch.utils.data.sampler.RandomSampler', 'batch_sampler': 'torch.utils.data.sampler.BatchSampler'}

Loss:

sentence_transformers.losses.MSELoss.MSELoss

Parameters of the fit()-Method:

{
    "epochs": 20,
    "evaluation_steps": 1000,
    "evaluator": "sentence_transformers.evaluation.SequentialEvaluator.SequentialEvaluator",
    "max_grad_norm": 1,
    "optimizer_class": "<class 'torch.optim.adamw.AdamW'>",
    "optimizer_params": {
        "eps": 1e-06,
        "lr": 7e-06
    },
    "scheduler": "WarmupLinear",
    "steps_per_epoch": null,
    "warmup_steps": 5000,
    "weight_decay": 0.01
}

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 384, '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})
)

By

@bayang

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
XLMRobertaModel
Ревизия весов
77ed31e

0 моделей