/ Модель

Характеристики

Лицензия
MIT
Базовая модель
multilingual-e5-base
Библиотека
sentence-transformers
Опубликована
6 июл 2024

embedic-base

ЭмбеддингиТекст → embedding9 профессий

Embedić Base создаёт эмбеддинги сербских и английских текстов для семантического поиска, сопоставления предложений и систем RAG.

76скачиваний за 30 дней2лайкавеса обновлены9 сен 2024

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

Embedić Base — модель для создания текстовых эмбеддингов, разработанная djovak и дообученная на базе intfloat/multilingual-e5-base с упором на сербский язык. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для информационного поиска, семантического сопоставления и приложений RAG. Модель работает с сербским текстом в кириллице и латинице, а также с английским; может использоваться для поиска по коллекциям, где смешаны сербские и английские документы.

Embedić обучалась в несколько этапов: с дистилляцией, на парах «запрос — текст» и на триплетах. README отмечает, что упрощённая сербская латиница без диакритики снижает качество поиска, а сохранение заглавных букв в именах собственных может его улучшить. Модель распространяется по лицензии MIT.

Сценарии применения

  • семантический поиск по сербским документам
  • поиск по коллекции документов на сербском и английском языках
  • подбор документов для ответов RAG-системы
  • сопоставление сербских и английских предложений
  • кластеризация предложений и абзацев

Ограничения

Упрощённое написание сербской латиницей без диакритических знаков заметно ухудшает качество поиска; для имён собственных README рекомендует сохранять заглавные буквы. Результаты бенчмарков и сведения о последовательной длине и числе параметров именно версии Base в предоставленных данных не приведены.

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

djovak/embedic-base

Say hello to Embedić, a group of new text embedding models finetuned for the Serbian language!

These models are particularly useful in Information Retrieval and RAG purposes. Check out images showcasing benchmark performance, you can beat previous SOTA with 5x fewer parameters!

Although specialized for Serbian(Cyrillic and Latin scripts), Embedić is Cross-lingual(it understands English too). So you can embed English docs, Serbian docs, or a combination of the two :)

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.

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 = ["ko je Nikola Tesla?", "Nikola Tesla je poznati pronalazač", "Nikola Jokić je poznati košarkaš"]

model = SentenceTransformer('djovak/embedic-base')
embeddings = model.encode(sentences)
print(embeddings)

Important usage notes

  • "ošišana latinica" (usage of c instead of ć, etc...) significantly deacreases search quality
  • The usage of uppercase letters for named entities can significantly improve search quality

Training

  • Embedić models are fine-tuned from multilingual-e5 models and they come in 3 sizes (small, base, large).

  • Training is done on a single 4070ti super GPU

  • 3-step training: distillation, training on (query, text) pairs and finally fine-tuning with triplets.

Evaluation

Model description:

Model NameDimensionSequence LengthParameters
intfloat/multilingual-e5-small384512117M
djovak/embedic-small384512117M
intfloat/multilingual-e5-base768512278M
djovak/embedic-base768512278M
intfloat/multilingual-e5-large1024512560M
djovak/embedic-large1024512560M

BM25-ENG - Elasticsearch with English analyzer

BM25-SRB - Elasticsearch with Serbian analyzer

evaluation results

Evaluation on 3 tasks: Information Retrieval, Sentence Similarity, and Bitext mining. I personally translated the STS17 cross-lingual evaluation dataset and Spent 6,000$ on Google translate API, translating 4 IR evaluation datasets into Serbian language.

Evaluation datasets will be published as Part of MTEB benchmark in the near future.

information retrieval results

sentence similarity results

Contact

If you have any question or sugestion related to this project, you can open an issue or pull request. You can also email me at novakzivanic@gmail.com

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, '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})
  (2): Normalize()
)

License

Embedić models are licensed under the MIT License. The released models can be used for commercial purposes free of charge.

Как запустить

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

GPU в ailist

Универсальный рантайм · sentence-transformers

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
dc23610

0 моделей