/ Модель

Характеристики

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

embedic-large

ЭмбеддингиТекст → embedding9 профессий

Embedić Large создаёт текстовые эмбеддинги для семантического поиска и RAG, с упором на сербский и поддержкой английского языка.

232скачиваний за 30 дней5лайковвеса 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 Large — модель для создания текстовых эмбеддингов, разработанная djovak и дообученная на базе intfloat/multilingual-e5-large. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для семантического поиска, информационного поиска, кластеризации и систем RAG.

Модель специализируется на сербском языке в кириллице и латинице и также поддерживает английский, поэтому подходит для поиска по смешанным сербско-английским коллекциям. Она построена с использованием Sentence Transformers; в README для семейства указаны обучение в несколько этапов и сравнение результатов на задачах информационного поиска, сходства предложений и поиска параллельных текстов.

Модель распространяется по лицензии MIT. README отмечает, что запись сербского текста латиницей без диакритики заметно ухудшает качество поиска, а сохранение заглавных букв в именах собственных может улучшить его.

Сценарии применения

  • семантический поиск по сербским документам
  • поиск в RAG-системе по сербским материалам
  • поиск по коллекции документов на сербском и английском
  • сравнение смысловой близости предложений
  • кластеризация сербских текстов

Ограничения

Удаление сербских диакритических знаков при записи латиницей заметно снижает качество поиска. Использование заглавных букв в именах собственных может улучшить результаты.

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-large

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 1024 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-large')
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': 1024, '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
4d275ee

0 моделей