/ Модель

Характеристики

Контекст
514 токенов
Параметры
305 млн
Лицензия
AGPL 3.0
Архитектура
xlm-roberta · dense
Базовая модель
paraphrase-multilingual-mpnet-base-v2
Библиотека
sentence-transformers
Опубликована
11 мар 2025

histlux-paraphrase-multilingual-mpnet-base-v2

ЭмбеддингиТекст → embedding6 профессий

Дообученная многоязычная модель эмбеддингов для семантического поиска и сравнения текстов на историческом и современном люксембургском языках.

240скачиваний за 30 дней0лайковвеса обновлены20 июл 2025

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

Многоязычная модель Sentence Transformers, разработанная командой Impresso Project на основе sentence-transformers/paraphrase-multilingual-mpnet-base-v2 и дообученная для исторического и современного люксембургского языка. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена прежде всего для кросс-языкового семантического поиска между люксембургским и другими языками, а также для сравнения текстов, поиска парафраз и кластеризации. Модель подходит библиотекам и архивам для поиска по коллекциям и изучения изменений языка во времени.

Архитектура — XLM-RoBERTa; модель содержит 305,2 млн параметров, использует библиотеку Sentence Transformers и принимает текст. README указывает ограничение в 128 субтокенов на вход, хотя метаданные каталога сообщают длину контекста 514 токенов. На историческом и современном люксембургском модель показывает сильный результат в различении парафраз ParaLUX; для поиска по более длинному контексту README рекомендует другую модель. Лицензия — AGPL-3.0.

Сценарии применения

  • Поиск в цифровых коллекциях библиотек и архивов по смыслу
  • Поиск соответствий между люксембургскими и английскими текстами
  • Сравнение исторических и современных формулировок
  • Поиск парафраз на люксембургском языке
  • Кластеризация многоязычных текстов архивных коллекций

Ограничения

README ограничивает вход 128 субтокенами, поэтому модель не подходит для длинных документов без разбиения на фрагменты. Для задач, где важны длинный контекст и исторический поиск двуязычных соответствий, авторы рекомендуют histlux-gte-multilingual-base.

Для каких профессий подходит6

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

Luxembourgish adaptation of sentence-transformers/paraphrase-multilingual-mpnet-base-v2

This is a sentence-transformers model finetuned from sentence-transformers/paraphrase-multilingual-mpnet-base-v2 further adapted to support Historical and Contemporary Luxembourgish. It maps sentences & paragraphs to a 768-dimensional dense vector space and can be used for (cross-lingual) semantic textual similarity, semantic search, paraphrase mining, text classification, clustering, and more.

Model Details

This model is specialised to perform cross-lingual semantic search to and from Historical/Contemporary Luxembourgish. This model would be particularly useful for libraries and archives that want to perform semantic search and longitudinal studies within their collections.

This is an paraphrase-multilingual-mpnet-base-v2 model that was further adapted by (Michail et al., 2025)

Limitations

This model only supports inputs of up to 128 subtokens long.

We also release a model that performs better (7.5pp) on Historical Bitext Mining and natively supports long context (8192 subtokens). For most usecases we reccomend using histlux-gte-multilingual-base

However, this model exhibits superior performance (by 18pp) on the adversarial paraphrase discrimination task ParaLUX.

Model Description

Model Sources

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("impresso-project/histlux-paraphrase-multilingual-mpnet-base-v2")
# Run inference
sentences = [
    'The cross-border workers should also receive more wages.',
    "D'grenzarbechetr missten och me' lo'n kre'en.",
    "De Néckel: Firun! Dât ass jo ailes, wèll 't get dach neischt un der Bréck gemâcht!",
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 768]

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

Evaluation

Metrics

(see introducing paper) Historical Bitext Mining (Accuracy):

LB -> FR: 88.6

FR -> LB: 90.0

LB -> EN: 88.7

EN -> LB: 90.4

LB -> DE: 91.1

DE -> LB: 91.8

Contemporary LB (Accuracy):

ParaLUX: 80.5

SIB-200(LB): 59.4

Training Details

Training Dataset

LB-EN (Historical, Modern)

  • Dataset: lb-en (mixed)
  • Size: 40,000 training samples
  • Columns: english, luxembourgish, and label (teacher's en embeddings)
  • Approximate statistics based on the first 1000 samples:
    englishluxembourgishlabel
    typestringstringlist
    detailsmin: 4 tokensmean: 25.32 tokensmax: 128 tokensmin: 5 tokensmean: 36.91 tokensmax: 128 tokenssize: 768 elements
  • Samples:
    englishluxembourgishlabel
    A lesson for the next yearEng le’er fir dat anert joer[0.08891881257295609, 0.20895496010780334, -0.10672671347856522, -0.03302554786205292, 0.049002278596162796, ...]
    On Easter, the Maquisards' northern section organizes their big spring ball in Willy Pintsch's hall at the station.Op O'schteren organisieren d'Maquisard'eiii section Nord, hire gro'sse fre'joersbal am sali Willy Pintsch op der gare.[-0.08668982982635498, -0.06969941407442093, -0.0036096556577831507, 0.1605304628610611, -0.041704729199409485, ...]
    The happiness, the peace is long gone now,V ergângen ass nu läng dat gléck, de' fréd,[0.07229219377040863, 0.3288629353046417, -0.012548360042273998, 0.06720984727144241, -0.02617395855486393, ...]
  • Loss: MSELoss

Evaluation Dataset

Non-Default Hyperparameters

  • learning_rate: 2e-05
  • num_train_epochs: 5
  • warmup_ratio: 0.1
  • bf16: True
  • Rest are default

Framework Versions

  • Python: 3.11.11
  • Sentence Transformers: 3.4.1
  • Transformers: 4.49.0
  • PyTorch: 2.6.0
  • Accelerate: 1.4.0
  • Datasets: 3.3.2
  • Tokenizers: 0.21.0

Citation

BibTeX

Adapting Multilingual Embedding Models to Historical Luxembourgish (introducing paper)

@misc{michail2025adaptingmultilingualembeddingmodels,
      title={Adapting Multilingual Embedding Models to Historical Luxembourgish}, 
      author={Andrianos Michail and Corina Julia Raclé and Juri Opitz and Simon Clematide},
      year={2025},
      eprint={2502.07938},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2502.07938}, 
}

Multilingual Knowledge Distillation

@inproceedings{reimers-2020-multilingual-sentence-bert,
    title = "Making Monolingual Sentence Embeddings Multilingual using Knowledge Distillation",
    author = "Reimers, Nils and Gurevych, Iryna",
    booktitle = "Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing",
    month = "11",
    year = "2020",
    publisher = "Association for Computational Linguistics",
    url = "https://arxiv.org/abs/2004.09813",
}

About Impresso

Impresso project

Impresso - Media Monitoring of the Past is an interdisciplinary research project that aims to develop and consolidate tools for processing and exploring large collections of media archives across modalities, time, languages and national borders. The first project (2017-2021) was funded by the Swiss National Science Foundation under grant No. CRSII5_173719 and the second project (2023-2027) by the SNSF under grant No. CRSII5_213585 and the Luxembourg National Research Fund under grant No. 17498891.

Copyright

Copyright (C) 2025 The Impresso team.

License

This program is provided as open source under the GNU Affero General Public License v3 or later.


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
1b2e91c

0 моделей