/ Модель

Характеристики

Контекст
514 токенов
Параметры
152 млн
Лицензия
CC BY-SA 4.0
Архитектура
bert · dense
Опубликована
16 авг 2023

silver-retriever-base-v1

ЭмбеддингиТекст → embedding7 профессий

Модель создаёт польскоязычные векторные представления предложений и абзацев для семантического поиска и извлечения документов.

257скачиваний за 30 дней14лайковвеса обновлены24 мая 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

Silver Retriever Base v1 — плотная модель эмбеддингов на базе BERT, разработанная Пётром Рыбаком из Института информатики Польской академии наук. Она кодирует польские предложения и абзацы в векторы размерности 768 и предназначена для поиска документов и семантического поиска, в частности для подбора фрагментов по вопросам на польском языке.

Модель создана на основе HerBERT-base и дообучена в течение 15 000 шагов на наборах PolQA и MAUPQA. Для входных данных рекомендуется сохранять формат обучения: добавлять к вопросу префикс «Pytanie:», а к тексту passage — заголовок и текст, разделённые специальным токеном. Хотя при обучении использовалось скалярное произведение, автор отмечает, что на практике модель обычно лучше работает с косинусным расстоянием.

В репозитории указаны архитектура BERT, 151,6 млн параметров и контекст длиной 514 токенов; доступны веса PyTorch и Safetensors. Для использования требуется корректное объединение токенных представлений в вектор (pooling), если модель применяется без Sentence-Transformers. Лицензия — CC BY-SA 4.0.

Сценарии применения

  • Поиск польских документов по вопросу
  • Семантический поиск по польским абзацам
  • Подбор фрагментов для польской системы ответов на вопросы
  • Ранжирование passage по релевантности польскому запросу

Ограничения

Модель ориентирована на польский язык и обучалась на парах «вопрос — passage»; для лучших результатов следует использовать рекомендованные префиксы и формат passage. Для извлечения одного вектора из токенных представлений нужна подходящая операция pooling.

Для каких профессий подходит7

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

image/png

Silver Retriever Base (v1)

Silver Retriever model encodes the Polish sentences or paragraphs into a 768-dimensional dense vector space and can be used for tasks like document retrieval or semantic search.

It was initialized from the HerBERT-base model and fine-tuned on the PolQA and MAUPQA datasets for 15,000 steps with a batch size of 1,024. Please refer to the SilverRetriever: Advancing Neural Passage Retrieval for Polish Question Answering for more details.

Evaluation

ModelAverage [Acc]Average [NDCG]PolQA [Acc]PolQA [NDCG]Allegro FAQ [Acc]Allegro FAQ [NDCG]Legal Questions [Acc]Legal Questions [NDCG]
BM2574.8751.8161.3524.5166.8948.7196.3882.21
BM25 (lemma)80.4655.4471.4931.9775.3355.7094.5778.65
MiniLM-L12-v262.6239.2137.2411.9371.6751.2578.9754.44
LaBSE64.8939.4746.2315.5367.1146.7181.3456.16
mContriever-Base86.3160.3778.6636.3084.4467.3895.8277.42
E5-Base91.5866.5686.6146.0891.8975.9096.2477.69
ST-DistilRoBERTa73.7848.2948.4316.7384.8964.3988.0263.76
ST-MPNet76.6649.9956.8021.5586.0065.4487.1962.99
HerBERT-QA84.2354.3675.8432.5285.7863.5891.0966.99
Silver Retriever v192.4566.7287.2443.4094.5679.6695.5477.10
Silver Retriever v1.193.1867.5588.6044.8894.0079.8396.9477.95

Legend:

  • Acc is the Accuracy at 10
  • NDCG is the Normalized Discounted Cumulative Gain at 10

Usage

Preparing inputs

The model was trained on question-passage pairs and works best when the input is the same format as that used during training:

  • We added the phrase Pytanie: to the beginning of the question.
  • The training passages consisted of title and text concatenated with the special token </s>. Even if your passages don't have a title, it is still beneficial to prefix a passage with the </s> token.
  • Although we used the dot product during training, the model usually works better with the cosine distance.

Inference with 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 = [
    "Pytanie: W jakim mieście urodził się Zbigniew Herbert?", 
    "Zbigniew Herbert</s>Zbigniew Bolesław Ryszard Herbert (ur. 29 października 1924 we Lwowie, zm. 28 lipca 1998 w Warszawie) – polski poeta, eseista i dramaturg.",
]

model = SentenceTransformer('ipipan/silver-retriever-base-v1')
embeddings = model.encode(sentences)
print(embeddings)

Inference with 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


def cls_pooling(model_output, attention_mask):
    return model_output[0][:,0]


# Sentences we want sentence embeddings for
sentences = [
    "Pytanie: W jakim mieście urodził się Zbigniew Herbert?", 
    "Zbigniew Herbert</s>Zbigniew Bolesław Ryszard Herbert (ur. 29 października 1924 we Lwowie, zm. 28 lipca 1998 w Warszawie) – polski poeta, eseista i dramaturg.",
]
# Load model from HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('ipipan/silver-retriever-base-v1')
model = AutoModel.from_pretrained('ipipan/silver-retriever-base-v1')

# 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, cls pooling.
sentence_embeddings = cls_pooling(model_output, encoded_input['attention_mask'])

print("Sentence embeddings:")
print(sentence_embeddings)

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: BertModel 
  (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': True, 'pooling_mode_mean_tokens': False, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False})
)

Additional Information

Model Creators

The model was created by Piotr Rybak from the Institute of Computer Science, Polish Academy of Sciences.

This work was supported by the European Regional Development Fund as a part of 2014–2020 Smart Growth Operational Programme, CLARIN — Common Language Resources and Technology Infrastructure, project no. POIR.04.02.00-00C002/19.

Licensing Information

CC BY-SA 4.0

Citation Information

@inproceedings{rybak-ogrodniczuk-2024-silver-retriever,
    title = "Silver Retriever: Advancing Neural Passage Retrieval for {P}olish Question Answering",
    author = "Rybak, Piotr  and
      Ogrodniczuk, Maciej",
    editor = "Calzolari, Nicoletta  and
      Kan, Min-Yen  and
      Hoste, Veronique  and
      Lenci, Alessandro  and
      Sakti, Sakriani  and
      Xue, Nianwen",
    booktitle = "Proceedings of the 2024 Joint International Conference on Computational Linguistics, Language Resources and Evaluation (LREC-COLING 2024)",
    month = may,
    year = "2024",
    address = "Torino, Italia",
    publisher = "ELRA and ICCL",
    url = "https://aclanthology.org/2024.lrec-main.1291",
    pages = "14826--14831",
    abstract = "Modern open-domain question answering systems often rely on accurate and efficient retrieval components to find passages containing the facts necessary to answer the question. Recently, neural retrievers have gained popularity over lexical alternatives due to their superior performance. However, most of the work concerns popular languages such as English or Chinese. For others, such as Polish, few models are available. In this work, we present Silver Retriever, a neural retriever for Polish trained on a diverse collection of manually or weakly labeled datasets. Silver Retriever achieves much better results than other Polish models and is competitive with larger multilingual models. Together with the model, we open-source five new passage retrieval datasets.",
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
BertModel
Ревизия весов
1f23165

0 моделей