/ Модель

Характеристики

Контекст
512 токенов
Параметры
18,8 млн
Лицензия
Apache 2.0
Архитектура
bert · dense
Базовая модель
bge-micro
Библиотека
sentence-transformers
Опубликована
9 окт 2024

bge-micro-smiles

ЭмбеддингиТекст → embedding3 профессии

Англоязычная BERT-модель превращает описания химических соединений и SMILES в эмбеддинги для семантического поиска и сравнения сходства.

165скачиваний за 30 дней0лайковвеса обновлены20 окт 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

fpc/bge-micro-smiles — англоязычная модель Sentence Transformers, дообученная разработчиком репозитория на основе TaylorAI/bge-micro. Она кодирует текстовые описания и строки SMILES в плотные векторы размерности 384 для оценки семантического сходства по косинусной близости. Обучение проводилось на 3 210 255 парах «описание — положительный пример» с использованием CachedMultipleNegativesRankingLoss.

Модель предназначена для сопоставления названий и описаний химических соединений с их представлениями SMILES. Её можно применять для семантического поиска, поиска похожих соединений, выявления перефразировок, кластеризации и классификации текста. Архитектура — BERT с усреднением токенных представлений; максимальная длина входа — 512 токенов. Репозиторий содержит форматы ONNX и safetensors. Лицензия — Apache-2.0.

Сценарии применения

  • поиск SMILES по названию или описанию соединения
  • сопоставление химических названий с представлениями SMILES
  • поиск похожих химических соединений по текстовому описанию
  • кластеризация описаний и названий соединений
  • классификация текстов о химических соединениях

Ограничения

Модель обучена на английских текстах и ограничена последовательностями длиной до 512 токенов. Она выдаёт векторы для поиска и сравнения, но сама по себе не генерирует SMILES или объяснения.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

MPNet base trained on AllNLI triplets

This is a sentence-transformers model finetuned from TaylorAI/bge-micro. It maps sentences & paragraphs to a 384-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: TaylorAI/bge-micro
  • Maximum Sequence Length: 512 tokens
  • Output Dimensionality: 384 tokens
  • Similarity Function: Cosine Similarity
  • Language: en
  • License: apache-2.0

Model Sources

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: BertModel 
  (1): Pooling({'word_embedding_dimension': 384, '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})
)

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("fpc/bge-micro-smiles")
# Run inference
sentences = [
    '(±)-cis-2-(4-methoxyphenyl)-3-acetoxy-5-[2-(dimethylamino)ethyl]-8-chloro-2,3-dihydro-1,5-benzothiazepin-4(5H)-one hydrochloride',
    'Cl.COC1=CC=C(C=C1)[C@@H]1SC2=C(N(C([C@@H]1OC(C)=O)=O)CCN(C)C)C=CC(=C2)Cl',
    'O[C@@H]1[C@H](O)[C@@H](Oc2nc(N3CCNCC3)nc3ccccc23)C[C@H]1O',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 384]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]

Training Details

Training Dataset

Unnamed Dataset

  • Size: 3,210,255 training samples
  • Columns: anchor and positive
  • Approximate statistics based on the first 1000 samples:
    anchorpositive
    typestringstring
    detailsmin: 5 tokensmean: 42.57 tokensmax: 153 tokensmin: 4 tokensmean: 40.02 tokensmax: 325 tokens
  • Samples:
    anchorpositive
    4-t-butylbromobenzeneC(C)(C)(C)C1=CC=C(C=C1)Br
    1-methyl-4-(morpholine-4-carbonyl)-N-(2-phenyl-[1,2,4]triazolo[1,5-a]pyridin-7-yl)-1H-pyrazole-5-carboxamideCN1N=CC(=C1C(=O)NC1=CC=2N(C=C1)N=C(N2)C2=CC=CC=C2)C(=O)N2CCOCC2
    PhthalimideC1(C=2C(C(N1)=O)=CC=CC2)=O
  • Loss: CachedMultipleNegativesRankingLoss with these parameters:
    {
        "scale": 20.0,
        "similarity_fct": "cos_sim"
    }
    

Training Hyperparameters

Non-Default Hyperparameters

  • per_device_train_batch_size: 512
  • learning_rate: 2e-05
  • num_train_epochs: 4
  • warmup_ratio: 0.1
  • bf16: True
  • batch_sampler: no_duplicates

All Hyperparameters

  • overwrite_output_dir: False
  • do_predict: False
  • eval_strategy: no
  • prediction_loss_only: True
  • per_device_train_batch_size: 512
  • per_device_eval_batch_size: 8
  • per_gpu_train_batch_size: None
  • per_gpu_eval_batch_size: None
  • gradient_accumulation_steps: 1
  • 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: 4
  • max_steps: -1
  • lr_scheduler_type: linear
  • 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: None
  • 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: False
  • 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
  • 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
  • batch_sampler: no_duplicates
  • multi_dataset_batch_sampler: proportional

Training Logs

EpochStepTraining Lossbge-micro-test_spearman_cosine
0.01591006.1861-
0.03192006.0547-
0.04783005.6041-
0.06384004.9367-
0.07975004.3412-
0.09576003.8245-
0.11167003.3188-
0.12768002.869-
0.14359002.5149-
0.159510002.2282-
0.175411002.0046-
0.191412001.8032-
0.207313001.6289-
0.223214001.4567-
0.239215001.3326-
0.255116001.2127-
0.271117001.0909-
0.287018001.0021-
0.303019000.9135-
0.318920000.8378-
0.334921000.7758-
0.350822000.7031-
0.366823000.6418-
0.382724000.5965-
0.398725000.5461-
0.414626000.5039-
0.430627000.4674-
0.446528000.4339-
0.462429000.4045-
0.478430000.373-
0.494331000.3566-
0.510332000.3348-
0.526233000.3215-
0.542234000.302-
0.558135000.2826-
0.574136000.2803-
0.590037000.2616-
0.606038000.2554-
0.621939000.234-
0.637940000.2306-
0.653841000.2224-
0.669742000.2141-
0.685743000.2117-
0.701644000.204-
0.717645000.198-
0.733546000.1986-
0.749547000.1821-
0.765448000.1813-
0.781449000.1741-
0.797350000.1697-
0.813351000.1655-
0.829252000.1623-
0.845253000.1593-
0.861154000.1566-
0.877155000.151-
0.893056000.1526-
0.908957000.1453-
0.924958000.1448-
0.940859000.1369-
0.956860000.1409-
0.972761000.1373-
0.988762000.133-
1.004663000.1269-
1.020664000.1274-
1.036565000.1271-
1.052566000.1216-
1.068467000.1176-
1.084468000.1208-
1.100369000.1177-
1.116270000.1175-
1.132271000.1109-
1.148172000.1118-
1.164173000.1085-
1.180074000.1155-
1.196075000.1079-
1.211976000.1087-
1.227977000.1004-
1.243878000.1084-
1.259879000.1089-
1.275780000.1012-
1.291781000.1037-
1.307682000.1004-
1.323683000.0979-
1.339584000.1007-
1.355485000.0956-
1.371486000.0972-
1.387387000.0947-
1.403388000.0931-
1.419289000.0948-
1.435290000.0925-
1.451191000.0933-
1.467192000.0888-
1.483093000.0877-
1.499094000.0889-
1.514995000.0895-
1.530996000.0892-
1.546897000.089-
1.562798000.0828-
1.578799000.0906-
1.5946100000.0893-
1.6106101000.0849-
1.6265102000.0811-
1.6425103000.0823-
1.6584104000.0806-
1.6744105000.0815-
1.6903106000.0832-
1.7063107000.0856-
1.7222108000.081-
1.7382109000.0831-
1.7541110000.0767-
1.7701111000.0779-
1.7860112000.0792-
1.8019113000.0771-
1.8179114000.0783-
1.8338115000.0749-
1.8498116000.0755-
1.8657117000.0778-
1.8817118000.0753-
1.8976119000.0767-
1.9136120000.0725-
1.9295121000.0744-
1.9455122000.0743-
1.9614123000.0722-
1.9774124000.0712-
1.9933125000.0709-
2.0092126000.0694-
2.0252127000.0705-
2.0411128000.0715-
2.0571129000.0705-
2.0730130000.0653-
2.0890131000.0698-
2.1049132000.0676-
2.1209133000.0684-
2.1368134000.0644-
2.1528135000.0652-
2.1687136000.0673-
2.1847137000.067-
2.2006138000.0645-
2.2166139000.0633-
2.2325140000.0645-
2.2484141000.0698-
2.2644142000.0655-
2.2803143000.0654-
2.2963144000.0656-
2.3122145000.0631-
2.3282146000.0628-
2.3441147000.0671-
2.3601148000.0659-
2.3760149000.0619-
2.3920150000.0618-
2.4079151000.0624-
2.4239152000.0616-
2.4398153000.0631-
2.4557154000.0639-
2.4717155000.0585-
2.4876156000.0607-
2.5036157000.0615-
2.5195158000.062-
2.5355159000.0621-
2.5514160000.0608-
2.5674161000.0594-
2.5833162000.0631-
2.5993163000.0635-
2.6152164000.06-
2.6312165000.0581-
2.6471166000.0607-
2.6631167000.0577-
2.6790168000.0592-
2.6949169000.0625-
2.7109170000.0622-
2.7268171000.0573-
2.7428172000.0613-
2.7587173000.0587-
2.7747174000.0587-
2.7906175000.0588-
2.8066176000.0568-
2.8225177000.0573-
2.8385178000.0575-
2.8544179000.0575-
2.8704180000.0582-
2.8863181000.0577-
2.9022182000.057-
2.9182183000.0572-
2.9341184000.0558-
2.9501185000.0578-
2.9660186000.0567-
2.9820187000.0569-
2.9979188000.0547-
3.0139189000.0542-
3.0298190000.0563-
3.0458191000.0549-
3.0617192000.0531-
3.0777193000.053-
3.0936194000.0557-
3.1096195000.0546-
3.1255196000.0518-
3.1414197000.0517-
3.1574198000.0528-
3.1733199000.0551-
3.1893200000.0544-
3.2052201000.0526-
3.2212202000.0494-
3.2371203000.0537-
3.2531204000.0568-
3.2690205000.0525-
3.2850206000.0566-
3.3009207000.0539-
3.3169208000.0531-
3.3328209000.0524-
3.3487210000.0543-
3.3647211000.0537-
3.3806212000.0524-
3.3966213000.0516-
3.4125214000.0537-
3.4285215000.0515-
3.4444216000.0537-
3.4604217000.0526-
3.4763218000.0508-
3.4923219000.0526-
3.5082220000.0521-
3.5242221000.054-
3.5401222000.053-
3.5561223000.0509-
3.5720224000.0526-
3.5879225000.0551-
3.6039226000.0556-
3.6198227000.0497-
3.6358228000.0515-
3.6517229000.0514-
3.6677230000.0503-
3.6836231000.0515-
3.6996232000.0553-
3.7155233000.0519-
3.7315234000.0549-
3.7474235000.0522-
3.7634236000.0526-
3.7793237000.0525-
3.7952238000.051-
3.8112239000.0509-
3.8271240000.0503-
3.8431241000.0524-
3.8590242000.0526-
3.8750243000.0512-
3.8909244000.0518-
3.9069245000.0521-
3.9228246000.0524-
3.9388247000.051-
3.9547248000.0535-
3.9707249000.0508-
3.9866250000.0514-
4.025084-nan

Framework Versions

  • Python: 3.10.9
  • Sentence Transformers: 3.0.1
  • Transformers: 4.41.2
  • PyTorch: 2.4.1+cu124
  • Accelerate: 0.33.0
  • Datasets: 2.18.0
  • 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",
}

CachedMultipleNegativesRankingLoss

@misc{gao2021scaling,
    title={Scaling Deep Contrastive Learning Batch Size under Memory Limited Setup}, 
    author={Luyu Gao and Yunyi Zhang and Jiawei Han and Jamie Callan},
    year={2021},
    eprint={2101.06983},
    archivePrefix={arXiv},
    primaryClass={cs.LG}
}

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
BertModel
Ревизия весов
ef633dd

0 моделей